基于改进GA的K-均值聚类算法

利用遗传算法或免疫规划算法解决初始聚类中心是较好的方法,但容易出现局部早熟现象．为了克服以上缺点,借助免疫机制的优点,将免疫原理的选择操作机制引入遗传算法中,提出基于改进遗传的K-均值聚类算法,该方法结合K-均值算法的高效性和改进遗传算法的全局优化能力,较好地解决了聚类中心优化问题．试验结果表明,本算法能够有效改善聚类质量．     

基于改进K-均值聚类的图像分割算法研究

为了实现彩色图像的准确分割,研究了在HLS颜色空间中基于优化初始中心的加权K-均值彩色图像聚类算法.首先对大样本的目标颜色进行数理统计,获取优化的初始聚类中心,从而实现准确分类和避免K-均值容易陷入局部最优的问题;然后在HLS颜色空间中引入加权欧氏距离来度量对象间的相关性,通过调整系数使对象不同的颜色属性内在特征得以充分利用.实验证明,该算法在保持K-均值聚类简洁、收敛速度快的同时能产生更好的聚类效果,实现彩色图像的快速准确分割.     

基于主成分分析和优化聚类算法的行驶工况研究

针对模糊C均值聚类算法容易陷入局部最优以及传统的主成分分析法没有完全体现出用数量较少的综合指标来代替多个指标的问题,提出了一种改进的主成分分析和利用遗传模拟退火算法优化后的模糊C均值聚类算法相结合的聚类算法(GSA-FCM),从而构建汽车行驶工况图:首先,利用改进的主成分分析法对特征参数矩阵进行处理;然后,采用GSA-...     

基于SOFM网络的改进K-均值聚类算法

针对传统的K-均值聚类算法中随机选取初始聚类中心的缺陷,提出一种改进的K-均值聚类算法,利用自组织特征映射网络(SOFM)自动获得初始聚类中心.实验结果表明,改进的K-均值聚类算法能有效改善聚类性能,提高聚类的准确率.     

基于K-均值聚类算法的中药叶片显微图像分割

本文试图利用图像分割技术,实现叶片自动分类。为了充分利用像素的色彩,分割算法在RGB颜色空间进行。颜色空间数据量巨大,直接进行聚类效率太低,因此,本文运用一种特殊的存储结构存储颜色空间数据,按颜色的密度特征对图像中的颜色进行排序和聚类,并根据待聚类色彩与已有聚类中心距离是否小于类内最大距离来决定归入已有的类或形成一个新的类。实验结果表明算法具有较好的分类效果。     

一种整合粒子群优化和K-均值的数据聚类算法

针对K-均值聚类算法存在的不足,提出了一种新的整合粒子群优化算法(PSO)和K-均值算法的聚类算法.在新算法中,首先结合使用粒子群优化算法和K-均值算法搜索全局最优解的位置,然后再用K-均值算法在全局最优解附近的局部空间内快速寻找最优聚类中心.通过对4个数据集的实验测试,将此算法与K-均值算法、基于粒子群的K-均值算法进行了比较.实验结果表明,新算法的聚类质量比后两个算法更优.     

一种改进的全局K-均值聚类算法

将快速K中心点聚类算法确定初始中心点的思想应用于全局K-均值聚类算法,对其选取下一个簇的最佳初始中心的方法进行改进,提出选取下一个簇的最佳初始中心的一种新方法.该新方法选择一个周围样本分布相对密集,且距离现有簇的中心比较远的样本为下一个簇的最佳初始中心,得到一种改进的全局K-均值聚类算法.改进后的算法不仅可以避免将噪音点作为下一个簇的最佳初始中心点,而且在不影响聚类效果的基础上缩短了聚类时间.通过UCI机器学习数据库数据以及随机生成的人工模拟数据实验测试,证明改进的全局K-均值聚类算法与全局K-均值聚类算法及快速全局K-均值聚类算法相比在聚类时间上更优越.     

一种新的密度加权粗糙K-均值聚类算法

为了克服粗糙K-均值聚类算法初始聚类中心点随机选取,以及样本密度函数定义所存在的缺陷,基于数据对象所在区域的样本点密集程度,定义了新的样本密度函数,选择相互距离最远的K个高密度样本点作为初始聚类中心,克服了现有粗糙K-均值聚类算法的初始中心随机选取的缺点,从而使得聚类结果更接近于全局最优解。同时在类均值计算中,对每个样本根据定义的密度赋以不同的权重,得到不受噪音点影响的更合理的质心。利用UCI机器学习数据库的6组数据集,以及随机生成的带有噪音点的人工模拟数据集进行测试,证明本文算法具有更好的聚类效果,而且对噪音数据有很强的抗干扰性能。     

改进主成分和K-均值聚类算法的行驶工况

为构建行驶工况,消除K-均值算法对初始聚类中心的敏感性及噪声点的干扰,提出一种改进主成分分析和基于密度的改进K-均值聚类组合方法。结合距离优化法和密度法,构建一种数据集密度度量方法。选取距离较大、密度较高的数据点作为初始聚类中心与候选集,优化聚类结果的同时剔除了孤立点,采用较大贡献因子的特征值进行工况合成,最后对行驶工况油耗进行分析。结果表明,所提方法构建行驶工况的速度-加速度联合分布差异值为1.17%,特征参数平均相对误差较小。可见,合成的行驶工况能够很好地反映某地实际交通道路特征,拟合度较高。     

基于粗糙熵和K-均值聚类算法的图像分割

针对基于粗糙熵的图像分割算法不能满足复杂图像的多类目标提取的需要,本文先利用K-均值聚类算法对图像进行区域分割,再利用基于粗糙熵的方法对分割结果进行目标提取,从而达到多阈值分割的目的。通过对遥感图像进行分割处理,证明了改进后算法的有效性。     

基于改进K均值和马尔科夫链的公交车行驶工况构建

目的 为填补目前缺少符合重庆城区地形特点的公交车行驶工况空白。方法 提出一种改进的K均值聚类算法与马尔科夫链结合的行驶工况构建方法。通过滤波算法对采集到的重庆城区805路公交车有效行驶数据进行平滑处理,从平滑后的行驶数据中提取出1 721条运动学片段;采用核主成分分析法对各运动学片段的特征参数矩阵进行降维处理,以粒子群算法选择适合的K均值初始聚类中心,并通过改进后的K均值聚类算法对运动学片段进行分类标记;最后通过马尔科夫链筛选出合理的运动学片段,构建出时长为1 310 s的重庆城区公交车行驶工况。结果 将构建的行驶工况与实车采集数据及国内外部分典型工况进行对比,结果表明：所构建的工况与原始数据在速度-加速度的联合分布趋势一致,构建的行驶工况与实车采集数据各特征值误差均小于7%,所构建的工况与原始数据特征高度吻合且能较好地反映出重庆城区公交车怠速时间比例高、加减速频繁等符合区域特点的实际交通状况。结论 构建的工况能为重庆市公交车行驶路线规划、排放及油耗测试等方面提供基础标准,同时其涉及的研究方法能为新能源汽车能量管理、控制策略及其他城市工况构建和城市公交线路优化提供参考。     

一种改进的基于遗传算法的K均值聚类算法

结合遗传算法和K均值聚类算法的优点,提出一种改进的基于遗传算法的K均值聚类算法.将遗传算法的编码方法、初始化、适应度函数、选择、交叉和变异等较好地应用于聚类问题,不仅解决了K均值聚类算法中K值难以确定、对初始值敏感以及遗传算法存在收敛性差和容易早熟的缺点,而且实现了聚类中心的优化选择、K值的自动学习和基因的自适应变异等...     

基于主成分聚类法的福建城镇化水平的测度

基于城镇化的内涵,本文从城镇发展、经济发展、服务功能三个维度建立城镇化发展的指标体系．针对目前测度的方法所存在的问题,本文采用主成分聚类法来测度城镇化水平,通过研究福建省九个地级市的城镇化发展水平,得出此方法对于解决综合测度问题是合理的和可行的,最后对城镇化水平的排名的合理性进行了简单分析,并提出加快推进福建城镇化水平的对策与建议.     

K-means聚类算法研究

K-means算法作为聚类分析算法,已被广泛地应用到诸多领域。本文研究了K-means算法的基本原理,并将其应用到高校学生入学信息分析中。高考学生入学的相关信息包含了大量重要的学习及其他方面的信息,对这些数据信息进行分析和研究,有助于教师对不同类别的学生进行不同方式的教学,做到因材施教。首先对学生的入学信息数据进行预处理,然后使用K-means算法,对学生信息进行分类评价;最后利用所获得的分类结果指导学生在大学期间的学习方向以及教师对学生的培养工作。     

基于主成分分析的军队院校后勤资源配置研究

对建设资源节约型军队院校后勤来说,选择合理的建设方案至关重要。首先运用主成分分析法对评价体系的多项指标进行了综合聚集,然后在理想点的基础上建立了优化模型,从而为选择方案提供了合理的科学依据,也为建设资源节约型军队院校后勤提供了理论指导。     

基于初始均值点离散化的改进K-means算法

聚类分析是一种重要的数据挖掘方法,K-means算法是其中最常用的基于划分的方法。本文提出了一种基于初始均值点离散化的改进K-means算法。改进的算法在选取初始均值点时,尽量使初始均值点的分布离散化,解决了传统算法中随机选取初始均值点所造成的一些问题。同时,为了得到更高质量的聚类结果,本文进行了数据集中的离群点检测和自动确定参数k的最佳取值两方面的前期处理工作。实验证明,改进后的算法明显优于传统算法。     

K-means算法聚类中心选取

传统K-means 算法对于聚类初始点的选取和距离度量的计算异常敏感,因而很可能导致K-means 算法只能收敛得到局部最优解。为此,提出一种改进的K-means 算法,即K-means 聚类算法最优匹配算法,并进行了相关的算法实验分析。该改进算法首先对传统的K-means 聚类算法进行初始点的选取,并分析聚类结果。然后,分别从初始聚类中心的选择和距离算法的确定进行实验测试,引入轮廓系数评价聚类效果,分析实验结果可知,K-means 聚类算法最优匹配算法具有较好的稳定性和较高的聚类准确率。     

基于进化策略的K-means聚类算法

针对K-means聚类算法易陷入局部极小以及K值选取的问题，提出一类基于进化策略的聚类算法，可以有效地搜索最优聚类中心和聚类个数K；还提出了确定K值范围的经验公式，以减小搜索空间，提高搜索效率，并给出了理论分析．相对遗传算法而言，本方法鳊码简单，种群较小．对Fishers iris数据集的仿真实验表明，该方法得到最优解的可能性比经典算法大得多．     

基于逻辑回归函数的加权K-means聚类算法

传统K-means聚类算法通过欧式距离计算样本的相似度,将数据所有的属性特征均平等对待,忽略每个属性特征的不同贡献,导致样本相似度计算的准确率不高.针对这个不足,提出一种特征加权的K-means算法进行优化.首先,运用Softmax和Sigmoid逻辑回归函数计算特征权重,使得加权的欧式距离更能准确地表示样本相似度;其...