基于划分模糊度的聚类有效性函数

模糊C-均值(FCM)聚类算法是目前最流行的数据集模糊划分方法之一.但是,有关聚类类别数的合理选择和确定,即聚类有效性分析,对FCM算法而言仍是一个开放性问题.为此,本文结合数据集的几何结构信息和FCM算法的模糊划分信息,重新定义了划分矩阵,进而利用划分模糊度提出了一种新的模糊聚类有效性函数.实验结果表明该方法是有效的且具有良好的鲁棒性.     

一种基于模糊度的聚类有效性函数

根据模糊集理论,结合模糊C-均值聚类算法的约束条件,提出聚类模糊集概念,定义聚类模糊度.通过深入分析聚类模糊集的模糊度和贴近度在聚类评价中的作用,设计出一种模糊聚类有效性函数,并给出应用该函数实现模糊C-均值聚类有效性判定的具体步骤.实验结果表明,本文提出的聚类有效性函数是合理的.     

基于模糊熵的聚类有效性函数

模糊熵描述了一个模糊集的模糊性程度本文将模糊熵应用于聚类有效性的判决,指出用于聚类有效性判决的划分系数是一个基于模糊熵的判决标准.通过几个数据对不同模糊熵公式的判决功能进行了比较实验.     

基于重叠度增量的模糊聚类有效性函数

提出用重叠度来刻画模糊类间的距离,在此基础上针对模糊划分总重叠度有随类数增加而单调递增的趋势,提出基于重叠度增量的聚类有效性函数。该算法由重叠度增量最大值来确定最佳聚类数,不但克服了传统有效性函数的单调问题,而且计算简单。基于模糊C-均值聚类算法（FCM）,应用多组测试数据对其进行性能分析,并与当前广泛应用且具代表性的有效性函数进行深入比较。仿真结果表明,该函数的有效性和优越性。     

新模糊聚类有效性指标

模糊聚类是模式识别、机器学习和图像处理等领域的重要研究内容。模糊C-均值聚类算法是最常用的模糊聚类实现算法,该算法需要预先给定聚类数才能对数据集进行聚类。提出了一种新的聚类有效性指标,对聚类结果进行有效性验证。该指标从划分熵、隶属度、几何结构角度,定义了紧凑度、分离度、重叠度三个重要特征测量。在此基础上,提出了一种最佳聚类数确定方法。将新聚类有效性指标和传统有效性指标在6个人工数据集和3个真实数据集进行实验验证。实验结果表明,所提出的指标和方法能够有效地对聚类结果进行评估,适合确定样本的最佳聚类数。     

一个新的模糊聚类有效性指标

提出一个新的模糊聚类有效性指标。该指标能确定由模糊C-均值算法(FCM)所得模糊划分的最优划分和最优聚类数,结合了模糊聚类的紧致性和分离性信息,用类内加权平方误差和计算紧致性,用类间相似度计算分离性。在3个人造数据集和3个真实数据集上进行对比实验,结果证明该指标的性能优于其他有效性指标。     

一种新的模糊聚类有效性指标

结合模糊聚类的类内紧致性和类间分离性信息,提出一种新的模糊聚类有效性指标。该指标能够确定由模糊C-均值算法（FCM）所得模糊划分的最优划分和最佳聚类数。在1个人造数据集和4个真实数据集上进行对比实验,结果表明该指标性能的优越性。     

点密度加权FCM算法的聚类有效性研究

模糊C-均值(FCM)算法是一种非监督的模式识别方法。由于该算法具有对数据集进行等划分的趋势,影响其聚类精度。利用数据点的密度大小作为权值,借助数据本身的分布特性,提出了一种点密度加权模糊C-均值算法。该方法不仅在一定程度上克服了FCM算法的缺陷,而且具有良好的收敛性。当以聚类已知的少量数据点作为监督信息指导聚类,聚类效果进一步改善。并用聚类有效性函数对算法的聚类有效性进行了评价,从而为算法的聚类性能提供了理论依据。     

紧邻类与小类数据集下的模糊聚类有效性指标

模糊聚类有效性指标主要是为了解决模糊C-均值算法需要事先给定最佳聚类数的缺陷,但是现有的大多数模糊聚类有效性指标一般过于依赖聚类质心,使得这类指标在含有紧邻类与大小、密度差异大的数据集上无法准确地判断最佳聚类数。为了缓解这个问题,提出了新聚类有效性指标WS。WS指标在一定程度上考虑了最大最小隶属度法则与模糊集偏差,从而全面展示了数据集的整体信息。在人工与真实数据集上,评估WS指标与现有一些指标的有效性,新指标展现出了较高的准确性。在不同的模糊度下,WS有效性指标表现出了较好的鲁棒性。     

基于减法聚类和快速紧密性函数的SF-FCM

首先结合减法聚类和模糊C-均值聚类各自的优点,运用减法聚类自适应地确定模糊C-均值聚类（FCM）的初始聚类数;然后,提出了改进的紧密性函数,以此改进用于确定FCM聚类结构的有效性函数.改进后的紧密性函数将对聚类结果贡献不大的数据予以剔除,使得算法适应能力更强,执行速度更快.实验结果表明,该快速紧密性函数是有效的,而且计算速度更快.     

基于集群拓扑结构的工作流调度研究

针对MapReduce的默认调度策略先进先出(FIFO)在执行任务时考虑本地性调度带来的任务等待时间长、资源利用率不高和没有考虑任务的优先级等问题,提出一种基于集群拓扑结构的工作流实时调度算法。MapReduce在对工作流进行Map处理时,首先根据taskTracker的计算能力和数据大小对map阶段工作流的完成时间进行估计,得到一个完成时间隶属函数,然后再利用集群的拓扑结构,得到taskTracker在集群中的距离隶属函数,根据这两个隶属函数来对集群中的taskTracker在工作流处理时间和数据传输时间进行综合性能评估,这样可以有效地缩短任务的等待时间并提高资源的利用率。同时该算法采用对作业进行优先级划分的方式,满足不同类型作业的需求。大量的实验结果表明:该优化策略在平均完成时间和平均等待时间方面要优于FIFO算法,可以有效提高工作流处理的实时性。     

一种基于子网关联的事件关联机制

故障在网络运行中是不可避免的，一旦故障产生，会在网络中进行传播，产生大量的告警事件，如何能够快速有效地从这些告警事件中准确进行事件关联，从而给故障定位是网络管理的关键会务，在研究故障的传播机制基础上提出了一种基于子网的事件关联机制，把事件的关联范围限定在事件发出者所存在的子网中，同时，还提出了自己的事件操作模型，分为预处理操作，基于操作和位置操作，最后提出了实现该机制的算法，测试了该算法的效率，并进行了性能分析。     

基于用户查询与样本间匹配度评估的分层抽样策略

在数据探索性分析场景下,用户倾向于借助抽样系统获取近似查询结果来换取更快的查询速度。现有的抽样系统通常假设用户的历史查询记录能很好地表征未来的查询情况,从而针对特定的查询特征生成特定的抽样策略。然而,在现实场景中,用户探索意图变化丰富,用户查询特征的稳定性假设通常无法得到保证。为解决上述问题,提出一种评估任意用户查询与样本间匹配度的方法。离线训练生成多份样本集,并在应对具体查询时自动选取最匹配样本集进行近似结果计算。离线样本集的生成是以在所有可能的用户查询上的预期匹配度损失总和最小作为训练目标。实验结果表明,在真实数据集上,该抽样系统与现有方法相比,将近似结果的精确度提高了26.3%。     

一种基于连通性的聚类有效性评价指标

针对现有的聚类结果中类内紧致性差异对有效性指标的影响和不能很好地评价任意形状聚类的问题,提出一种基于连通性的聚类有效性指标并进行了仿真研究。首先,将对整个聚类结果的评价建立在对单个类评价的基础上,以便处理类内紧致性差异大的问题。其次,利用连通距离对形状和大小的不敏感性,处理对任意形状聚类的评价问题。仿真实验结果表明,该方法可以对各类的类内紧致性差异较大的任意形状的聚类结果进行评价。该指标是一种有效的聚类评价指标。     

基于混合遗传算法的聚类分析

聚类问题在一定条件下可以归结为一个带约束的最优化问题.遗传算法作为一种鲁棒性很强的优化算法,可用于解决聚类问题.本文提出一种改进的混合遗传聚类算法通过全局搜索与局部搜索相结合的方法提高收敛速度,还采用基于最近邻基因匹配的交叉算子来维持群体的多样性.实验表明,该算法的局部收敛速度和全局收敛性能均明显优于已有的几种遗传聚类算法.     

一种基于相关度统计的告警事件关联算法

网络故障与网络告警事件之间存在着必然的关系.在分析故障传播和告警模式的基础上,将同一故障引发的告警事件区别为根源事件和并发事件,通过对隐藏在海量事件中的根源事件与并发事件相关度的统计,发现每一类故障的相关事件类集合,并以此作为关联规则,进行事件关联处理,能够正确地进行故障定位,有效过滤冗余事件,为故障原因分析提供依据.     

基于数据聚类的锅炉受热面吹灰对再热减温水量相关性研究

针对锅炉优化吹灰策略制定的需要,通过研究吹灰对受热面吸热量与再热减温水量影响的相关性分析,旨在为优化吹灰指导提供依据。基于生产数据进行层次聚类法处理,用聚类后的有效数据计算吹灰前后受热面工质的吸热量,再通过滑动平均算法对吸热量和再热减温水进行数据平滑处理,使吸热量数据和再热减温水大小具有单一关系,利用相关性分析得到两者的相关系数,表征吹灰对两者的影响程度的关系。分析结果表明,不同受热面吹灰与再热减温水的相关系数不同。因此通过各受热面相关性系数比较,可对受热面吹灰序列的优化即吹灰策略的制定进行指导。     

基于有效性指标的聚类集成学习方法

学习器间的差异性是影响集成学习效果的一个关键因素。目前针对分类集成的研究较多,针对聚类集成的研究则相对较少。基于聚类问题的本质特点,提出一种新的聚类集成学习方法,利用聚类有效性指标度量不同聚类结果性能上的差异,根据有效性指标的评价值为聚类结果分配权值,通过加权投票的决策方法进行聚类集成并确定最佳聚类数。理论研究和实验结果证明了新的聚类集成学习方法的可行性和高效性。