基于改进聚类算法的网络平台异常数据挖掘方法

为提高挖掘结果与对应异常数据类型之间的关联度,确保挖掘结果能够为网络平台异常状态识别提供有力依据,文章引入改进聚类算法,开展网络平台异常数据挖掘方法设计研究.通过基于改进聚类算法的网络平台运行数据分类、网络平台异常检测、网络平台分布式最大频繁序列提取、最大频繁序列数据比对与挖掘,提出一种全新的挖掘方法.通过对比实验结果...     

基于遗传算法的基因微阵列数据聚类

微阵列基因数据用以挖掘特定的生物信息,聚类分析对于研究基因功能和基因调控机制有重要意义.结合改进的遗传算法对基因微阵列数据进行聚类分析,并且通过实验与K均值聚类进行比较.仿真实验表明,该算法可以有效改进基因微阵列数据的聚类准确率.     

基于多源数据融合与模糊聚类的电力工程数据处理方法研究

针对电力工程项目智能化监理管控问题,提出了一种基于FCM-IFA-SVM算法的电力工程数据处理与风险识别模型。该模型利用FCM算法对环境风险、技术风险、经济风险与管理风险等指标数据进行聚类分析,并采用IFA算法优化了SVM模型的惩罚系数及核函数参数。将聚类后的数据集输入至已完成参数优化的SVM模型中,进而得到电力工程项目风险等级的评估结果。通过对某电力工程数据集的仿真测试结果表明,所提算法在风险识别方面具有更高的准确率。同时相比于SVM和FCM-SVM算法,其平均准确率分别提升了7.1%及2.9%,说明所提算法能更准确地识别并评估电力工程项目风险等级。     

基于自适应遗传算法的椭圆聚类方法

提出一种利用自适应遗传算法对椭圆聚类进行检测和变量估计的新方法.该算法利用自适应遗传算法对目标函数进行优化,既提高了速度,又避免了陷入局部极小值.通过对几个同心和交叉椭圆的合成数据进行测试,验证了该方法的有效性.     

模糊聚类算法在导航星识别中的应用

在现代化的天文导航系统中，星空的自动化识别对提高导航精度，计算速度以及导航系统的自动化程度均有很大的影响。本文基于模糊聚类分析的理论知识，提出了对导航星空进行聚类划分的数学算法，并进行了计算机仿真检验，结果表明此方法切实可行。     

基于改进快速密度峰值聚类算法的电力大数据异常值检测分析

针对传统聚类算法对于大数据背景下大量电力大数据异常监测过程中存在的问题,提出在电力大数据异常值检测中的快速密度峰值聚类算法的改进.对传统基于密度峰值空间聚类方法进行分析,得到传统算法在使用过程中的问题.提出了快速密度峰值聚类算法的改进,对自适应参数与聚类中心自动的选择,通过标准化局部密度与距离对大数据异常值进行评测,能...     

基于改进K-means模糊聚类的区域健康大数据智能分析方法研究

区域健康数据的特点是其具有海量性和高维性,而使用传统K-means聚类方法无法应对高维度的数据处理,不但容易造成结果误差,且会使算法的执行效率较低、时间开销较大。针对上述问题,文中对传统K-means聚类方法进行了深入改进,在加入模糊项以保证其聚类效果的基础上,使用粗糙集理论对高维数据属性的权重值进行确定,通过对其数据属性数量进行简化,从而保证模型的精确度与执行效率。数值实验结果表明,文中所提算法在处理高维数据时,其准确度相较对比算法提升了约5%,算法的执行时间相较传统算法缩短了约50%,证明了该算法对高维数据进行聚类处理的有效性。     

基于数据加权策略的模糊聚类改进算法

该文提出了一种数据指数加权的模糊均值聚类策略,引入了指数权因子和影响指数,使得可以在聚类过程中差异化处理各个数据。新策略和现有的Gustafson-Kessel(G-K)算法相结合,提出了一种新的模糊聚类算法DWG-K用于提高聚类质量和挖掘离群点。数据试验表明DWG-K在提高聚类质量方面优于现有的G-K;在离群点挖掘方面,DWG-K对离群点的判定是全局的,离群点的物理意义清楚,且计算效率明显高于当前广泛采用的基于密度的离群点挖掘算法。     

基于模糊聚类遗传算法的图像分割方法研究

图像分割是图像处理和图像分析的关键步骤,在图像工程中占据重要地位.模糊C均值聚类(FCM)算法是一种经典的模糊聚类分析方法,但其算法初始聚类原型是随机选取的,从而造成算法性能强烈地依赖聚类原型的初始化,将遗传算法强大的通用性应用于模糊聚类算法,对模糊聚类中心进行编码,然后依据FCM算法的目标函数建立适应度函数,选择适当的交叉率和变异率,最终实现基于模糊聚类遗传算法的图像分割.采用这种方法一方面能较好地解决模糊聚类对初始化敏感的问题,又能在一定程度上提高了分割速度.实验结果表明,该算法具有良好的分割效果.     

一种基于模糊加权的改进文本聚类方法

首先提出了一种优化初始中心点方法用以解决聚类的局部最优问题.同时通过样本的模糊加权减少边缘噪音数据对聚类效率的影响.文本聚类试验表明,该模糊文本聚类算法取得较好的聚类效果.     

一种改进的模糊聚类算法

ＦＣＭ（Ｆｕｚｚｙ Ｃ－Ｍｅａｎｓ）算法是一种基于目标函数优化的模糊聚类方法,其收敛地于初始条件敏感。与ＨＣＭ（Ｈａｒｄ Ｃ－Ｍｅａｎｓ）算法相比,ＦＣＭ算法的模糊分割矩阵提供的信息更加丰富。本文采用冗余聚类中心初始化,根据模糊分割矩 列和以及实际的要求逐级减少类别数目。实验结果显示改进的算法得到的收敛中心稳定,并且中以融合有关数据分布的先验知识得到所期望的结果。     

基于粗集与遗传算法相结合的文本模糊聚类方法

该文将粗集与遗传算法相结合的方法成功应用于文本模糊聚类.在聚类过程中,将权重参数的设定也通过编码由遗传算法确定,从而使得权重参数的设定具有科学性和可操作性,避免了在类似算法中确定权重时的主观性和不可靠性.最后的实例说明了算法的可行性.     

遗传模糊聚类算法在数据关联中的应用

针对传统数据关联算法存在计算量偏大或关联精度不高的问题,提出了一种利用遗传模糊聚类策略来求解数据关联问题的算法。该算法将多传感器多目标的数据关联问题看作是一类约束条件下的组合优化问题,先通过对同一时刻不同传感器提供的量测按照其相似性用遗传算法进行模糊聚类,再用聚类后的等效量测对各目标的状态进行估计。聚类方式的改进不仅增加了算法的局部寻优能力,有效地减少了计算的复杂度,而且还具备一定的野值剔除能力。仿真结果表明该算法关联精度较高,计算量适中,具有一定的工程应用价值。     

基于模糊聚类的家庭成员识别算法

同一家庭的成员,相貌相似度高,不同家庭的成员,相貌相似度低。而聚类算法就是对数据进行分类,使同一类的数据对象相似度高,不同类的数据对象相似度低。本文构造相貌相似的模糊相似矩阵,计算出传递闭包,获得准确的聚类结果。本文提供了模糊传递闭包的理论和具体的应用实例,有较好的参考价值。     

基于模糊聚类的方位标测量数据预处理方法

针对方位标测量数据手工预处理方式工作强度大、效率低和出错率高的问题,根据测量数据一般多数集中于真值附近的特性,提出了一种基于模糊聚类技术的方位标测量数据预处理方法,通过反复聚类自动挑选出符合要求的方位标数据.实验证明:此种方法挑选效率高,挑选的数据与真值吻合程度高,并具有较高的抑制野点作用.     

高阶异构数据模糊联合聚类算法

为了更有效地分析聚簇重叠部分高阶异构数据的聚簇结果,提出了一种高阶异构数据模糊联合聚类（HFCC）算法,该算法最小化每个特征空间中对象与聚簇中心的加权距离。推导出对象隶属度和特征权重的迭代更新公式,设计出聚类过程的迭代算法,并且从理论上证明了该迭代算法的收敛性。另外,通过泛化XB指标,提出适用于评估高阶异构数据聚类质量的指标GXB,用于判断聚簇数目。实验表明,HFCC算法能够有效探测数据内部隐藏的重叠聚簇结构,并且HFCC算法聚类效果明显优于5种有代表性的硬划分算法,此外GXB指标能够有效判定高阶异构数据的聚簇数目。     

基于改进模糊C-均值聚类算法的图像分割

在对手抑制式模糊C-均值聚类算法中,参数α的选择有可能导致原有的隶属度之间顺序的改变。针对其不足,提出了一种改进的模糊C-均值聚类算法,他是通过引入2个不同的调节参数1α和2α修正不同大小的隶属度,在保持隶属度的次序不变的前提下可以加速图像分割的收敛速度。实验表明,该算法不但能有效地提高聚类的速度,且能得到较好的分割效果。     

一种基于传感器加权的模糊聚类数据关联方法

提出一种用于传感器网络中信息融合的模糊数据关联新方法,该方法利用传感器的观测性能的先验知识对观测样本进行加权,通过加权模糊聚类算法实现数据的正确关联.同时,引入模糊聚类有效性函数自动确定每个观测时刻的目标数目.实验结果表明与传统基于模糊c均值聚类算法相比,本文提出的数据关联方法不仅具有更高的关联精度,而且具有较好的可靠性和有效性.