参考节点嵌入最短距离估算在图聚类中的应用

为解决社会关系网络图中节点没有坐标值、不能采用传统的欧几里得距离和曼哈坦距离进行聚类的问题,提出采用最短路径算法,来衡量点与点之间的相异度.针对最短路径算法具有时间复杂度大的缺点,引入基于参考节点嵌入的最短距离估算思想来估算两点之间的近似距离.在此基础上,针对DBLP数据集构成的社会关系网络图进行聚类,使用基于划分的k-medoids算法,分别采用以上两种距离算法,比较其优劣.实验证明改进后的算法和最短路径算法中的Dijkstra 算法相比,距离误差率小,时间复杂度大大降低,在提高效率的同时,取得了同样好的聚类效果.     

一种新的k-medoids聚类算法

针对k-medoids算法对初始聚类中心敏感,聚类精度较低及收敛速度缓慢的缺点,提出一种基于密度初始化、密度迭代的搜索策略和准则函数优化的方法。该算法初始化是在高密度区域内选择k个相对距离较远的样本作为聚类初始中心,有效定位聚类的最终中心点;在k个与初始中心点密度相近的区域内进行中心点替换,以减少候选点的搜索范围;采用类间距和类内距加权的均衡化准则函数,提高聚类精度。实验结果表明,相对于传统的k-mediods算法及某些改进算法,该算法可以提高聚类质量,有效缩短聚类时间。     

基于神经网络的文本聚类促进本体的构建

通过使用SOM(Self-Orgahizing Map)进行聚类分析,得到自组织语义图,同时针对其中某些情况使用传统聚类算法k-medoids算法,在输出模块中确定每一类中的内容,以获得更为精确的结果并结合到本体内,用于解决由支持本体的构建和维护而引发的自动化问题。     

图聚类的算法及其在社会关系网络中的应用

研究图聚类的算法问题。在基于划分的图聚类中,重点比较点与点之间距离的计算方法及其对聚类结果的影响。由于社会关系网络图中点没有坐标值,所以不能使用欧几里得距离和曼哈坦距离。使用k-medoids聚类算法时,分别采用最短距离和随机漫步距离算法,将DBLP数据集构成的社会关系网络图分类成各个子图,通过实验数据验证两种算法的优劣。实验证明最短距离算法获得聚类效果更为理想,达到了较好的分类效果。     

基于MMFE和可拓k-medoids聚类的轴承性能退化评估EI北大核心CSCD

传统轴承性能退化评估常为定性分析,且多以垂向振动信号为对象,忽略了不同方向振动信息之间的相关性。将评价多通道时间序列复杂度的多元多尺度熵引入到轴承运行状态的特征提取,构建多元多尺度模糊熵特征来考虑轴承不同方向振动信息之间的关联性。结合k-medoids算法和可拓学理论建立了轴承性能退化的定量评估模型。通过对轴承正常状态样本进行k-medoids聚类得到聚类中心,根据样本点与聚类中心之间的欧式距离确定可拓集合的边界,进一步利用可拓关联函数构建轴承性能退化评估模型,并采用轴承全寿命疲劳试验进行了验证。试验结果表明,本文所提方法能有效识别轴承的早期性能退化,并能实现对轴承性能退化程度的定量评估。     

一种改进的k-means算法

在聚簇方法中,k-means算法是最著名和最常用的划分法之一.该算法适合对海量数据进行聚类,对球状、凸形分布的数据具有很好的聚类效果.但该算法依赖聚类中心的初始分布、距离计算的复杂性大,这些对聚类结果及效率会产生很大的影响.为了降低对初始聚类中心的依赖和算法的时间开支,提出了一种改进算法,该算法汲取了k-medoids轮换法及优化后的采用三角形三边关系定理的k-means算法的优点.实验表明,该改进算法比原k-means算法具有更好的聚类效果及更高的效率.