聚类有效性研究

在对现有各种聚类有效性函数进行深入分析的基础上，提出了一种改进的聚类有效性函数，通过引入模拟退火机制，以获得最佳聚类结果。与其他经典的聚类有效性函数相比，改进后的聚类有效性函数一方面避免了单调性，另一方面又与数据集合本身的特征相关。仿真实验表明了其有效性。     

基于改进划分系数的模糊聚类有效性函数

针对典型模糊聚类算法难以准确获取最佳聚类数的问题,提出了一种基于改进划分系数的模糊聚类有效性函数.在划分系数方法基础上,将类与类之间的分离性和类内的紧致性相结合,引入指数函数有效抑制噪声和孤立点数据对聚类有效性的影响.仿真实验将所提及的聚类有效性函数应用于模糊C均值聚类中,分别对两组自定义数据集和IRIS数据集进行了有效性验证,实验结果表明,本文提出的模糊聚类有效性函数能够准确划分最佳聚类数.     

基于目标函数的直觉模糊聚类图像分割方法

针对模糊C-均值聚类分割算法易丢失图像细节的问题,提出一种改进的直觉模糊C-均值聚类算法.该算法将纹理特征和直觉指数引入到目标函数,并给出改进的聚类目标函数,对其聚类目标函数最优化推导并得到新的隶属度和聚类中心迭代表达式,并设计相应的图像分割算法,实验结果表明了算法的有效性.     

基于模糊聚类和BP算法的混合模型

针对模糊聚类算法存在的问题,通过对聚类有效性函数的分析,对聚类数c和加权指数m进行改进,将改进后的模糊聚类算法引入BP算法中,建立基于模糊聚类与BP算法的混合模型,并进行实验分析,分析结果表明,混合模型在准备性上优于传统的BP算法,因为数据经过模糊聚类之后同类数据具有更多的相似特征。     

层次聚类算法的有效性研究

针对如何从层次聚类算法得到样本集的多种聚类结果中获得用户最满意的聚类结果,在深入研究聚类有效性的基础上,通过模糊相似性关系刻画聚类的类内致密性和类间分离性,建立了一个新的聚类有效性函数。在人工和实际数据集上的实验都表明了该有效性函数具有良好的性能。     

改进的模糊核聚类算法

将核学习方法的思想和改进的选择C-均值聚类算法相结合,提出了一种改进的模糊核聚类算法,使其能对非超球体、含有噪音和离群点及样本不均衡的数据进行有效的聚类.通过引入高斯核函数,原样本的特征被非线性变换到高维核空间,提高了聚类性能.实验结果表明,该改进算法具有有效性.     

基于饱含度的聚类有效性函数

数据集的聚类结果是否合理的问题属于聚类有效性问题。本文依据模糊集的包含度理论,定义了一个模糊ｃ－均值聚类有效性函数。通过三组数据对这个聚类有效性函数的判决功能和鲁棒性进行了对比研究。     

K-Means算法最优聚类数量的确定

K-均值(K-means)聚类算法是学术与工业领域的经典算法。然而,它却具有两个明显缺陷:1) 需要预先知道聚类的数量;2) 对算法的随机初始化非常敏感。为了解决这两个问题,首先归纳了K-均值算法的基本步骤,并对聚类有效性进行了分析;然后以数据样本点的欧几里德距离为基础,定义了以聚类数量k为自变量的类间质心距离之和以及类内距离之和,由此构造了聚类有效性评价函数;最后根据经验规则,在聚类数量的可能范围内通过求解聚类有效性评价函数的最小值以确定数据集的最优聚类数量。对UCI的3个数据集Iris、Seeds和Wine的仿真结果说明,提出的聚类有效性评价函数不仅能够准确地反映数据的真实聚类结构,还能有效地抑制算法对随机初始化的敏感性,通过对K-均值算法的多次运行,其结果也验证了聚类有效性评价函数的鲁棒性。     

基于改进FCM的变压器故障模糊分类方法

变压器油中溶解气体分析(DGA)是识别变压器的故障类型的一项重要技术，模糊聚类是一种有效的分析手段。但传统模糊聚类算法存在对随机初始化的聚类中心敏感、隶属度函数的有效度量范围较小使其容易陷入局部极值点的问题，因而实际分类效果不佳。针对传统FCM的不足，首先采用Canopy算法对DGA数据进行粗聚类，将其结果作为后续FCM聚类的初始聚类中心和最佳聚类数，降低了人为和随机初始化参数的主观性；然后通过引入负指数函数形式的相似度指标重构了FCM隶属度的迭代函数，降低了算法陷入局部极值点的可能性；最后通过对故障气体数据进行实例分析，验证了改进后的算法在识别变压器故障类别上的有效性和实用性。     

基于聚类的跳频信号分选

为了对跳频信号进行分选,主要研究了聚类算法. 首先对KHM算法进行改进,得到了对随机初始化中心不敏感的聚类算法,然后利用已有的聚类有效性评价函数获得最佳聚类数的范围,并提出了在此范围内寻找最佳聚类数的算法. 结合改进的KHM算法和聚类个数估计方法,利用信号持续时间、方位信息和功率,对跳频信号进行分选,实验表明,该算法能正确地分选出跳频信号.     

基于改进可能性聚类算法的轴承故障诊断

通过研究轴承及其组件的振动信号来分析其工作状况是机械故障检测和诊断的一种常用方法。针对传统可能性聚类算法用于故障诊断时存在的问题,将改进可能性聚类算法与聚类有效性指标相结合,提出一种无监督的可能性聚类算法。将算法应用于滚动轴承的故障诊断中,实验结果表明,该算法不但能够自动确定聚类个数,对噪声具有较好的鲁棒性,而且聚类的准确性高于传统可能性聚类算法。     

核模糊谱聚类LOF降噪方法研究

为解决核模糊相似性度量谱聚类算法的样本点降噪问题,优化聚类效果和稳定性,本文从分析异常点分布特性出发,引入局部异常因子（LOF）算法,提出聚类中心候选对象的概念,过滤数据集的噪声数据,从而优化初始聚类中心的计算,突出正常样本点在聚类中心调整中的影响力,使聚类算法更易于得出准确的聚类结果. 同时提出一种局部过滤因子以修正相似性度量的方法,该方法通过放大正常数据之间的权值、缩小正常数据与噪声数据间的权值,使优化后的核模糊谱聚类算法大大降低对异常点的敏感度. 算法有效性实验和算法稳定性实验表明：该方法对相似性度量修正的有效性使核模糊谱聚类算法更为稳定和鲁棒.     

一种K-means改进算法的并行化实现与应用

随着数据的爆炸式增长,聚类研究作为大数据的核心问题之一,正面临计算复杂度高和计算能力不足等诸多问题。提出了一种基于Hadoop的分布式改进K-means算法,该算法通过引入Canopy算法初始化K-means算法的聚类中心,克服传统K-means算法因初始中心点的不确定性,易陷入局部最优解的问题。本算法在Canopy（罩盖）中完成K-means聚类,并在Canopy间完成簇的合并,聚类效果稳定,迭代次数少。同时,结合MapReduce分布式计算模型,给出改进后算法的并行化设计方法和策略,进一步通过改进相似度度量方法,将该方法用于文本聚类中。实验结果证明该算法具有良好的准确率和扩展性。     

一种新的分级混合聚类法

为了克服模糊聚类算法的不足．提出了一种新的分级混合聚法，利用自组织神经网络对数据初步进行特征提取．再利用基于熵的聚类算法进行聚类。从而既提高了聚类过程的效率，又保证了聚类结果的有效性．     

基于属性识别的灰色聚类方法

对聚类系数无显著性差异的灰色聚类问题进行了研究.运用分类标准矩阵、单指标白化权函数和置信度原则,提出了基于属性识别的灰色聚类方法.该方法充分利用了已有信息和置信度准则,避免了在聚类系数向量中分量取最大时出现聚类系数无显著性差异的问题,使聚类结果更加客观、准确.并经实例验证了该方法的有效性和合理性.     

基于模糊C均值聚类和减法聚类结合的图像分割

针对模糊C均值聚类算法（FCM）聚类过程中,初始聚类中心通过随机产生、类别数的确定通过预定义的方式实现的问题,利用减法聚类（SCM）以及聚类有效性函数,实现对FCM聚类过程的聚类中心和聚类类别数自动进行设定,实现了数据的自适应聚类,并将其应用到了CT图像的自动分割中。实验结果表明,该方法是有效的。