基于图形表达的基因序列模糊聚类应用研究

给出了一种新的非退化的基因图形三维表达方法,这一表达方法不仅避免了图形的重叠和交叉,同时还保留了序列的生物学特征.利用这种表达方法对H5N1病毒基因序列进行数字特征的提取,并引入基于多维PFS判别函数进行模糊聚类分析应用.在聚类分析过程中直接利用数字特征作为源数据,分析结果表明,利用该图形表达建立基因序列数字特征矩阵进行的聚类分析具有一定的合理性.     

基于AIS聚类的模糊神经网络在热轧优化建模中的应用

针对现有的钢坯热轧过程智能建模方法——模糊神经网络建模存在的收敛速度慢、建模精度不高、易陷入局部极小值、系统输入输出向量维数和空间划分增加使网络结构趋于复杂等问题,提出了一种基于人工免疫系统（AIS）聚类的自适应神经模糊推理系统的建模方法。该方法采用人工免疫聚类学习算法来确定模糊集合的划分,并确定模糊神经网络的结构和初始参数,能以较少的模糊规则达到理想的建模精度,仿真结果表明了该方法的有效性。     

基于聚类的超声射频图像阴影双线性补偿方法

待识别目标个体若处于图像阴影区域,其轮廓特征就会出现模糊或者失真丢失的情况.传统超声射频图像阴影补偿方法难以提高原图像的清晰度,且阴影补偿后的图像亮度偏低.为此提出基于聚类的超声射频图像阴影双线性补偿方法.采用固定阈值法将图像分成两组,计算两组图像方差的最大值,确定阈值.采用模糊聚类算法将所有辨识对象划分为某一类属性,获取新聚类中心和起初聚类中心之间的距离差,设置对应门限分割条件完成图像分割.利用加权估计位置插值点灰度值计算双线性插值,最后引入RGB色彩空间抑制蓝光分量,将其转换至HIS色彩空间内,完成图像色度、亮度以及饱和度的双线性补偿.实验证明,所提方法补偿后图像阴影区域比原始图像更加清晰,且非阴影区域图像的特征也具有理想的亮度,实验结果证明了所提方法的应用鲁棒性较强.     

基于LRFMC模型的客户价值数据挖掘方案

人工成本永远是企业运营预算的重中之重,数据挖掘可以有效发现数据中包含的客户价值,提供不同客户群体的针对性服务,合理布局和提高现有客服人员的资源效率。基于RFM模型提出了LRFMC客户价值评价模型,通过对比特征值的权重,利用K-means聚类算法,将客户群体按不同特征进行分类,根据客户价值等级,针对高价值优质用户和低价值潜在用户展开数据分析。     

基于相异性度量选取初始聚类中心改进的K-means聚类算法

选取合理的初始聚类中心是正确聚类的前提,针对现有的K-means算法随机选取聚类中心和无法处理离群点等问题,提出一种基于相异性度量选取初始聚类中心改进的K-means聚类算法.算法根据各数据对象之间的相异性构造相异性矩阵,定义了均值相异性和总体相异性两种度量准则;然后据此准则来确定初始聚类中心,并利用各簇中数据点的中位数代替均值以进行后续聚类中心的迭代,消除离群点对聚类准确率的影响.此外,所提出的算法每次运行结果保持一致,在初始化和处理离群点方面具有较好的鲁棒性.最后,在人工合成数据集和UCI数据集上进行实验,与3种经典聚类算法和两种优化初始聚类中心改进的K-means算法相比,所提出的算法具有较好的聚类性能.     

一种采用新型聚类方法的最佳类簇数确定算法

聚类分析是统计学、模式识别和机器学习等领域的研究热点.通过有效的聚类分析,数据集的内在结构与特征可以被很好地发掘出来.然而,无监督学习的特性使得当前已有的聚类方法依旧面临着聚类效果不稳定、无法对多种结构的数据集进行正确聚类等问题.针对这些问题,首先将K-means算法和层次聚类算法的聚类思想相结合,提出了一种混合聚类算法K-means-AHC;其次,采用拐点检测的思想,提出了一个基于平均综合度的新聚类有效性指标DAS（平均综合度之差,difference of average synthesis degree）,以此来评估K-means-AHC算法聚类结果的质量;最后,将K-means-AHC算法和DAS指标相结合,设计了一种寻找数据集最佳类簇数和最优划分的有效方法.实验将K-means-AHC算法用于测试多种结构的数据集,结果表明：该算法在不过多增加时间开销的同时,提高了聚类分析的准确性.与此同时,新的DAS指标在聚类结果的评价上要优于当前已有的常用聚类有效性指标.     

基于聚类的文本分类算法框架研究

KNN算法因其易于理解、理论成熟等优点而被广泛应用于文本分类。由于KNN需遍历样本空间计算距离,当训练集样本规模较大或维数较高时,计算开销是巨大的。针对此问题,首先将遗传算法适应度函数设计部分与K-medoids算法思想相融合形成K-GA-medoids,其次将其与KNN相结合形成用于文本分类的算法框架,在分类过程中,采取先聚类,再分类的步骤,以实现对训练集样本的缩减,从而降低计算开销。实验表明,K-GA-medoids相较于传统K-medoids而言在聚类效果上有较为明显的提升,且将其与KNN相结合形成的文本分类算法框架与传统KNN算法相比在保证分类精确率的前提下,有效提升了文本分类的效率。     

营运车辆驾驶行为的研究与应用

我国公路运输里程数居世界前列,且大部分的客货运输工作都是由营运车辆来完成.有数据显示,大部分的重特大运输事故与营运车辆有关.因此需重视营运车辆的运行状况,特别是重视驾驶员的驾驶行为,以减少车辆事故的发生.论文通过对车联网数据进行分析、确定驾驶行为指标及各指标得分细则并使用K-means聚类方法对驾驶行为进行分级,最终建立评估模型,客观评估驾驶行为的优劣.实际结果表明,该评价模型为驾驶员行为习惯的综合分析提供了一种可行的方法.     

网络教学平台学习行为分析及应用

本文利用网络教学平台上记录的学习者行为数据,分析学生的网上学习行为,探索课程通过率与学习者行为之间的关系。使用K-means算法对学习行为数据进行聚类分析,确定每名学生的学习者类型,总结网络课程学习者行为特点,并提出优化学习建议。     

基于SOFM和BP短期负荷预测方法

基于以自组织特征映射神经网络(Self-organizing feature map,SOFM)先聚类、神经网络再预测的模型以往多用在对疾病、天气方面的预测,由此提出了一种以SOFM与误差反向传播算法的神经网络(Back Propagation,BP)相组合应用为基本原理的短期电力负荷预测的组合模型。该模型主要基于SOFM网络的主要特性聚类,预先将训练样本集采取聚类分析,对其分为具有相似数据的若干子类,再根据每一子类构造一个BP网络模型。利用内蒙古自治区某市的实际日平均负荷数据进行仿真,证明了本文方法的有效性。