基于分布模型的层次聚类算法

提出了一种新的层次聚类算法,先对数据集进行采样,以采样点为中心吸收邻域内的数据点形成子簇,再根据子簇是否相交实现层次聚类。在层次聚类过程中,重新定义了簇与簇之间的距离度量,并以此为基础建立堆结构。利用估计数据点总体分布的思想,证明该算法将逼近最优解。实验结果表明,算法的聚类效果大大优于现有的聚类算法。     

数据挖掘中聚类算法的研究

随着数据挖掘技术的发展,作为数据挖掘中重要方法之一的聚类分析,先后出现了许多聚类算法。这些聚类算法均有其自身的优缺点。为了方便用户找到适合的聚类算法,本文根据不同的聚类原理对聚类算法进行分类,并概述了各类算法的发展情况。针对聚类的典型要求,归类出了一些有代表性的算法,同时对它们进行了分析和评价。文章最后给出了几种常用聚类算法的性能比较,并对聚类算法的发展进行了展望。     

改进的模糊聚类算法

隐节点中心的选取一直是各种RBF神经网络学习算法面临的主要问题之一,主要针对隐节点中心的选择问题,在研究减法聚类和模糊C-均值聚类算法优缺点的基础上,提出了改进的模糊聚类算法.仿真实验表明,改进的算法增强了网络对离群点的鲁棒性,同时缩短了网络的训练时间.     

关于凝聚型层次聚类时间复杂度的研究

针对层次聚类方法中的凝聚型层次聚类算法每次只合并两个类,迭代次数高、时间复杂度高的缺陷,提出了两种改进的算法：k近邻层次聚类和距离阈值层次聚类。然后对两种算法分别使用3组数据进行实验验证,结果表明两种算法均可以减少凝聚型层次聚类算法的迭代次数、降低时间复杂度;k近邻层次聚类需要输入的人为参数多,使得聚类结果的可靠性降低,距离阈值层次聚类的人为输入参数少,聚类结果的可靠性相对高,且聚类速度快。     

一种基于最大模糊熵的高斯聚类算法

介绍了一种新的模糊聚类方法，定义了模糊熵，提出了基于最大模糊熵的模糊聚类的方法，得到了一种新的聚类算法——GCM算法。该算法的物理意义清晰，有明确的数学含义，相对于传统的FCM聚类算法，其聚类效果更好。     

基于MPI的并行聚类算法

文章针对单机聚类算法的可扩展性和效率低下的不足,提出一种并行聚类算法--K-mean并行聚类算法.在基于MPI的并行环境上,通过试验验证,该算法显示出较高的效率.     

流形距离的自动免疫克隆聚类图像分割算法

聚类算法在对图像进行分割的过程中要面对如何自动确定聚类类别数、如何克服图像特征点分布复杂的流形结构、如何减少算法的运行时间。针对这些问题,提出了流形距离的自动免疫克隆聚类图像分割算法。自动免疫克隆聚类算法可以自动确定聚类个数,不需要人为事先给定,并且确保全局收敛;使用流形距离可以反映空间分布复杂的流形数据;使用超像素而非像素来降低图像分割的时间等问题。通过对4组人工数据集和4幅自然图像进行实验,对比k-means算法、GCUK算法,结果表明该方法优势比较明显,具有一定的实用性和先进性。     

基于链接的模糊聚类集成方法

针对多数聚类集成方法忽视潜在信息或获取潜在信息方法复杂这一缺点,提出一种基于链接的模糊聚类集成方法。该算法首先利用模糊聚类算法建立集成信息矩阵,然后使用相应的链接方法将集成信息矩阵转化为反映数据相关性的权重图,最后运用图划分技术得到最终结果。实验结果表明,新提出的算法可以有效地获取潜在信息,同时提高聚类质量。     

一种基于向量空间模型的文本聚类方法

研究了一种基于向量空间模型的文档聚类方法.提出了一个新的聚类模型,即在传统聚类模型的基础上增加一个文档特征向量调整模块;给出了一个特征评价函数用以进行特征提取;对一种基于相似度的平面划分聚类算法做了一些改进.实验结果表明本文提出的聚类模型是可行的.     

一种基于改进型遗传算法的模糊聚类

针对模糊C均值算法(FCM算法)难以达到全局最优解的问题,引入了具有全局搜索能力的遗传算法以解决聚类问题,并在标准遗传算法基础上进行了改进。将该算法运用于IR IS数据的聚类,实现了较好的聚类,从而验证了算法的有效性。     

余弦度量和适应度函数改进的聚类方法

K-均值算法因其简单和高效性,在文本聚类中占有重要地位。针对传统的K-均值算法对初始点敏感、易陷入局部最优的问题,结合遗传算法已经成为一种趋势。在充分发挥K-均值算法的高效性的同时,该文利用遗传算法的全局自适应优化特点克服了对初始点敏感的问题。同时,以余弦度量评价对象间的相似性并以此构造新的遗传算法适应度函数、收敛准则以及遗传算法种群更新方式,提高了K-均值和遗传算法这种结合方式的聚类精度,并增强了该结合算法的稳定性。     

支持向量聚类算法的研究与改进

支持向量聚类是基于支持向量机和核方法的一种新颖的聚类方法.与其它传统聚类方法相比较,该方法具有能得到全局最优解,并能处理任意形状的聚类,无需指定聚类数目,参数少,容易处理高维数据等优点.在原算法的基础上,在聚类标识阶段提出了改进算法,用支持向量代替原来的全部样本数据来进行标识,进一步减少运算时间,提高运算速度.     

一种带有导向性的聚类方法在电信客户细分中的应用

聚类是一种常用的客户细分方法。本文结合电信市场客户细分实践,针对一般聚类算法的不足,设计了一种带有导向性的聚类方法。使用该方法得出的聚类结果区分了普通类与极端类,提高了聚类效果,在指导实际市场营销活动中有着明显的优势。     

K—means聚类算法分析及在教师授课质量评价中的应用

K—means聚类算法是一种基于样本间相似性度量的间接聚类方法。应用K—means聚类算法,选取适当的k值,对教师授课效果进行分析,可以较好地实现量化评价与综合评价相结合,提高评价水平,为确定评价指标提供了可靠的依据。     

免疫接种粒子群的聚类算法

将粒子群优化算法和K均值算法结合进行聚类分析,同时引入了免疫系统中的免疫接种和免疫选择机制来指导粒子的迭代过程,提出了一种基于免疫接种粒子群的聚类算法,在粒子群迭代的过程中加入免疫接种机制指导粒子的飞行方向,再通过免疫选择机制对接种的结果进行选择,确保粒子种群向更优的方向移动。实验结果证明,基于免疫接种粒子群的聚类算法基本克服了K均值算法容易受初始聚类中心影响的缺点,聚类结果稳定,而且比基于粒子群优化的聚类算法取得了更好的聚类效果。     

一种改进的CURE的事件聚类方法

一个文档往往包含多个主题的事件，把分散在多个文本中的同一主题事件组织起来依靠传统的文本聚类是无法实现的.本文通过对已有的CURE算法进行分析，根据事件的特征，对代表点的选取和小类合并机制进行改进，实现了一个改进的CURE算法.实验结果表明：改进后的方法在保证执行效率的情况下取得了更好的聚类效果.     

基于加权模糊c均值聚类的快速图像自动分割算法

图像分割是指将一幅图像分解为若干互不交迭的区域的集合，是图像处理和计算机视觉的基本问题之一。为了提高图像分割的效率，提出了一种基于2维直方图加权的塔形模糊c均值（FCM）聚类图像快速分割算法。该方法先通过构造合理的2维直方图对噪声进行抑制；然后通过塔形分解来缩减聚类样本集；最后利用加权FCM聚类算法进行分类。仿真结果表明，该方法的效率明显优于标准的FCM算法。此外，为确定分割的最优类别数c，还引入了一种基于该快速算法的聚类有效性评价函数——修正划分模糊度，实现了最佳图像分割类别数c的自动确定。基于人造图像和实际图像的测试实验结果表明该方法是有效的。     

利用单词超团的二分图文本聚类算法

鉴于目前传统文本聚类方法中利用文档间的相似度进行聚类存在的问题,在传统的文本挖掘基础上提出了一种新的文本聚类算法——利用单词超团的二分图文本聚类算法。该算法用文档中单词的关联模式来评估文档间的相似度及主题类别预测,并利用图划分策略来大大降低文档相似度比较算法的复杂度,同时将超团作为特征结构的扩展,可以在一定范围内减少语言信息的丢失,提高聚类效果。经实验证明该算法具有较高的有效性。     

结合熵有效性函数的FCM算法识别社团结构

挖掘和发现复杂网络中的社团结构是复杂网络研究的基础性问题。针对复杂网络中的社团结构往往具有重叠性,提出了结合熵有效性函数的模糊聚类(Fuzzy c means, FCM)算法。首先基于信息熵提出了熵有效性函数,用于确定网络的“最佳”聚类数;其次给出了聚类数范围和两个过滤条件;最后将三者与FCM算法相结合,应用到Zachary’s karate club network、Dolphin social network和American college football network的社团结构检测。为了进一步体现熵有效性函数的优越性,将熵有效性函数和模块度函数,分别与k means算法相结合,对3个网络进行了实验。实验结果表明,熵有效性函数可以较准确的找到“最佳”聚类数,且结合熵有效性函数的FCM算法划分结果精确度都在90%以上。     

遗传模糊C-均值聚类算法应用于MRI分割

通过分析知经典的将图像分割成C类的常用的模糊C-均值聚类算法(FCMA)依赖于初始聚类中心的选择,通常得到的是局部最优解而并非全局最优解,又由于遗传算法能搜索到全局最优解,因此将遗传算法(GA)与FCMA相结合,对MRI直接进行聚类,利用遗传算法搜索全局最优解,从而有效地避免了模糊C-均值聚类算法收敛到局部最优的问题,并在此基础上实现了对MRI的分割,得到了比较满意的效果。