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.     

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。     

基于数据挖掘的入侵检测系统研究

文章基于数据挖掘技术,针对当前入侵检测系统的不足,把数据挖掘技术应用到入侵检测系统中,并给出系统模型,论证了这种模型的理论价值和现实可行性.     

基于数据挖掘的入侵检测系统研究

文章基于数据挖掘技术,针对当前入侵检测系统的不足,把数据挖掘技术应用到入侵检测系统中,并给出系统模型,论证了这种模型的理论价值和现实可行性.     

如何在Web挖掘中使用聚类算法

首先介绍了聚类的概念,然后提出了用模糊聚类算法对Web事务进行聚类。在聚类的相似性度量上,不再单纯地以访问次数或浏览时间来度量,而是采用用户浏览离散化时间为度量。该算法比传统算法准确性高,运行时间少,扩展性好。     

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.     

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。     

通过增量聚类预处理分区的一种序列模式挖掘方法

大多序列模式挖掘算法在处理呈指数增长的模式时性能有限,而且当输入的数据集很大时,因为主存限制将使其变成不可解的。本文提出基于分区的序列模式挖掘算法,克服了主存限制的缺点,并通过增量聚类方法对数据预处理,得到更合理的分区以提高整体性能。     

蚁群聚类算法在高职院校教学评价系统中的应用研究

教学评价在高职院校教学管理中起到一个非常重要的作用,如何将蚁群聚类算法应用其中,从大量数据中找到有用于教学的信息至关重要．本论文基于学生评价的蚁群聚类算法应用以及详细分析过程,最终得出的结果对高职院校教学管理具有一定的理论指导作用．     

基于K-means聚类算法的问卷分割设计

市场调查中的问卷设计由于沿袭传统调查冗长而复杂的方式,已成为当前互联网和移动互联网背景下市场调查的突出矛盾,造成受访者合作率下降、调查中断、数据异常等不良影响,从而导致调查质量下降,消费者洞察出现偏差.解决该问题的一个思路是使用问卷分割技术,而在进行具体的分割之前需要进行变量的分组.针对此类问题,本文提出了基于K-means聚类算法的问卷分割设计的变量分配方法,根据问卷问题之间的相关性,结合问卷调查目标,将一份较长的问卷分割成若干短问卷,并随机分配到不同的样本中去填答.本文结合实证详细阐述了问卷分割设计的具体过程,该设计可以作为市场调查设计和固定样本管理的一个新兴工具,在改善项目回答率和提高调查数据质量方面加以应用.     

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。     

数据挖掘技术在辅修教学管理中的应用研究

辅修是本科教学中培养复合型人才的一项重要举措。通过对辅修教学管理的各个层面建立辅修教学调查指标体系,对采集到的数据进行预处理后利用数据挖掘技术如聚类算法中的k-中心点算法,关联规则中的Apriori算法等,挖掘出辅修教学各个层面之间的一些隐性规则,从而对辅修教学有一个全方位的了解和理性的分析,并能作出一些有意义的探索。     

遗传聚类算法及其改进

本文给出了一种改进的基于遗传算法的聚类算法。传统的KMeans算法具有较强的局部搜索能力,但是对初始化聚类中心很敏感,容易陷入局部收敛性。基本遗传算法具有全局优化性,但局部搜索能力较差,收敛速度慢。针对二者算法的优缺点,利用了面向对象程序设计思想,结合二者的优点,提出了一种改进的遗传聚类算法。数据实验表明,该方法有效地提高了基于遗传算法的聚类算法的局部搜索能力和收敛速度。     

浅谈对概念聚类AOI算法分析的改进

随着网络技术的发展,针对网络服务的攻击数量和严重程度显著提高,而这些报警数据大部分都是重复的、无效的。采用经典的面向属性的归纳（Attribute-Oriented Induction,AOI）算法进行概念聚类虽可以大幅度提高处理这些数据的工作量,然而在实际的工作中并不显得非常有效,本文就如何改进其算法作了说细的说明。     

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.     

数据挖掘在教学测评系统中的应用与研究

教学测评是教学管理过程中的重要环节。将数据挖掘运用于教学测评之中,可以提高教学评价技术水平。利用数据挖掘方法中的聚类分析和Apriori算法相结合,从而对测评系统数据进行关联规则挖掘。     

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。     

改进的模糊C-均值聚类方法

该文针对模糊C-均值算法容易收敛于局部极小点的缺陷,将遗传算法应用于模糊C-均值算法(FCM)的优化计算中,其中对传统遗传算法的编码方案、遗传算子约束条件及适应值函数等方面进行改进,提出了一种基于改进遗传算法的模糊聚类方法。实验表明,将改进的遗传算法与FCM算法结合起来进行聚类分析,可以在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,使聚类更合理,比单一使用FCM算法进行聚类分析的效果要好。     

基于关联规则的数据挖掘算法研究

数据挖掘中关联规则算法用途广泛,通过研究关联规则算法,对各关联算法进行分析、对比总结出各关联规则的适用领域,并对经典的关联规则算法进行了举例与性能分析。