核聚类

摘要： 针对K‑Means聚类算法利用均值更新聚类中心,导致聚类结果受样本分布影响的问题,提出了神经正切核K‑Means聚类算法(NTKKM)。首先通过神经正切核(NTK)将输入空间的数据映射到高维特征空间,然后在高维特征空间中进行K‑Means聚类,并采用兼顾簇间与簇内距离的方法更新聚类中心,最后得到聚类结果。在car和breast‑tissue数据集上,对NTKKM聚类算法的准确率、调整兰德系数(ARI)及FM指数这3个评价指标进行统计。实验结果表明,NTKKM聚类算法的聚类效果以及稳定性均优于K‑Means聚类算法和高斯核K‑Means聚类算法。NTKKM聚类算法与传统的K‑Means聚类算法相比,准确率分别提升了14.9%和9.4%,ARI分别提升了9.7%和18.0%,FM指数分别提升了12.0%和12.0%,验证了NTKKM聚类算法良好的聚类性能。

摘要： 针对传统方法存在的信息分类准确性不高,信息重叠率较高的问题,提出基于模糊向量机优化的信息分类优化模型设计方法.运用模糊C均值对多标签空间进行粒化处理,通过信息增益获取不同变量标签之间的关联程度.针对多标签信息分类问题,选取一种合适的隶属度函数,运用该函数映射所有信息样本,获取其所属类别的隶属度.考虑到模糊支持向量机训练效率较慢的问题,运用核聚类方法对模糊向量机进行优化,组建最优超平面,在高维空间内根据各自属性完成分类.实验结果表明,所设计方法分类后信息重叠率较低,并且准确性更高,说明该方法的应用效果较好.

摘要： 雷达辐射源信号分选是电子侦察系统、威胁告警系统的关键步骤.针对现有基于模糊函数的复杂体制雷达辐射源信号分选方法信息利用率低、易受噪声影响等问题,提出一种基于模糊函数等高线的分选新方法;首先,对信号的模糊函数进行高斯平滑处理并绘制其等高线作为进一步的特征提取对象;其次,从图像处理的角度提取正外接矩和方向角作为雷达信号分选的特征向量;最后,用核模糊C均值聚类算法对特征向量进行分选.仿真实验表明,所提方法在8dB以上的固定信噪比环境下分选6类典型信号的成功率均为100％,即使在0dB环境下,分选成功率也保持在89.04％以上;在0～20dB动态信噪比环境下分选成功率达到96.36％.实测数据验证,所提特征提高了 5种外场辐射源信号的分选效果,可作为经典5参数的有效补充.此外,所提特征还具备较低的计算量,提取单个信号特征的耗时仅为0.24s,具有一定的工程价值.

摘要： 本文针对目前人们对分类性能的高要求和多分类器集成实现的复杂性,从分类器分类错误的分布特性和识别性能出发,对基于核聚类的多分类器选择算法内容及应用要点进行了探讨。这种算法是围绕核的可能性聚类算法作为核心构建的,找出各分类器在特征空间中局部性能较好的区域,并利用具有最优局部性能的分类器的输出作为最终的集成结果。理论分析和实验结果表明:该算法具有很好的分类性能。

摘要： In order to process data sets with linear non-separability or complicated structure, the Kernel Clustering-based K-means Clustering (KCKC) method is proposed.The method clusters patterns in the original space and then maps them into the kernel space by Radial Basis Function (RBF) kernel so that the relationships between patterns are almost kept.The method is applied to the RBF-based Neural Network (RBFNN), the RBF-based Support Vector Machine (RBFSVM), and the Kernel Nearest Neighbor Classifier (KNNC).The results validate that the proposed method can generate more effective kernels, save the kernel generating time in the kernel space, avoid the sensitivity of setting the number of kernels, and improve the classification performance.%为处理线性不可分、结构复杂的数据集,提出基于核聚类的K-均值聚类(Kernel Clustering-based K-means Clustering,KCKC).该方法先在原始空间中对模式进行聚类,再由径向基函数(Radial Basis Function, RBF)核把它们映射到核空间,从而保持大部分模式之间的关系.把提出的方法应用到基于RBF的神经网络(RBF-based Neural Network,RBFNN)、基于RBF的支持向量机(RBF-based Support Vector Machine, RBFSVM)和核最近邻分类器(Kernel Nearest Neighbor Classifier,KNNC)中,结果表明本文提出的算法可以生成更有效的核,节省在核空间中的核生成时间,避免核数目设置的敏感性,并提高分类性能.

摘要： 为弥补具有径向基函数(radial basis function,RBF)核的支持向量机(support vector machine,SVM)的不足,即如何获得合适的RBF核并且包含更多的数据信息,提出一个关于核聚类的有效方法.该方法通过关于核数目、中心、宽度的一些公式来生成核.这个生成方法可以容易、合理、优化地获得核.在美国邮政手写数字数据集(记为USPS)和字母识别数据集(记为Letter)上的试验可以验证,具有这些新生成的RBF核的SVM拥有更少更合理的核以及更高的分类性能.通过这个新提出的方法,可以处理更多的大规模分类问题.%In order to make up for the disadvantage of support vector machine (SVM) with radial basis function (RBF) kernels,i.e.,how to get feasible RBF kernels with more data information,an effective method about kernel clustering is proposed.This method generates kernels with some formulas about the kernel number,kernel center and kernel width.This generation method can get kernels easily,reasonably and optimally.Tests on the United States Postal Service handwritten digit data set (called USPS) and the letter recognition data set (called Letter) validate that SVM with these new generated RBF kernels has fewer and more reasonable kernels and higher classification accuracy.With this new proposed method,the more large-scale classification problems can be processed.

摘要： 为进一步提高基于图像稀疏表示的飞机目标检测算法的时间性能与精确度,提出了基于多尺度核索引字典的飞机目标检测算法,分别从超完备字典结构、目标检测分类器结构两方面优化算法.首先引入基于高斯径向核函数的硬C聚类方法,构造核索引字典,在提升稀疏求解算法时间性能的同时,提高了索引字典原子聚类的准确度.接着基于核索引字典,构建多尺度分类器,进一步提高了算法的效率和精度.实验表明,在合理选择聚类数后,采用核索引字典有效降低了稀疏求解算法的时间开销,原子的聚类准确度有所提高;相对基于单尺度字典的飞机目标检测算法,基于多尺度核索引字典的算法在时间开销上平均降低至24.7％,在精度方面,误检率平均降低了20.3％,命中率平均提高了3.4％,满足实时应用要求.%In order to improve the time performance and accuracy of aircraft target detection algorithm,we propose an aircraft target detection algorithm based on multi-scale kernel index dictionary.The algorithm is optimized from the construction of dictionary and classifies of object detection.First,the RBF kernel was introduced into the HCM algorithm to construct the indexed dictionary.Time performance was improved as well as the accuracy of clustering.Then,the multi-scale classifier was constructed based on the kernel index dictionary to further improve the efficiency and accuracy of the algorithm.As experiments show,after choosing a reasonable number of clusters,kernel-based indexed dictionary has decreased the time consumption of sparse solution.The accuracy of clustering has increased at the same time.Compared with the single scale dictionary,the algorithm based on the multi-scale kernel index dictionary reduces the time cost to 24.7％.In the respect of accuracy,the false detection rate decreased by an average of 20.3％,and the average hit rate increased by 3.4％.In conclusion,the proposed algorithm can satisfy the requirement of real-time application.

摘要： 为解决原始核聚类(Kernel Clustering,KC)中模式信息不足、聚类结果不佳的缺点,以KC为基础,利用Universum学习带来的优势,提出基于Universum学习的核聚类(Universum learningbased Kernel Clustering,UKC)方法.首先利用Universum学习生成相应的Universum模式,再利用KC算法把数据集分割成多个簇,最后利用每个簇中所包含的Universum模式和训练模式来更新该簇,从而使得这些簇更加合理.实验表明,该算法可以更好地改善聚类效果和分类器的分类性能、泛化能力和计算效率.虽然该方法的步骤比KC多,但是其较好的聚类性能可以帮助人们处理分类问题.

摘要： For the problem that the existing kernel clustering approaches need to learn the entire kernel matrix with the low compute efficiency,aimed at it proposed a clustering approach based on the spectral.Firstly,it based on spectral construct the similarity graph;then,computed the Laplacian matrix for the graph and select little part of the matrix to learn;lastly,realized the classification with kernel K-means approach.The simulating results prove that the proposed approach has better compute efficiency than the other kernel clustering approaches with a comparable clustering performance and works for big scale data.%现有核聚类算法需要学习完整的核矩阵，计算效率较低，仅适用于小规模数据，对此提出了基于图谱理论的核函数分类算法。首先，基于图谱理论建立无标记数据的相似度图；然后，计算其拉普拉斯矩阵，并选取拉普拉斯矩阵的部分特征向量来学习；最后，利用核 K-means 算法实现数据分类。对比实验结果证明，本算法在具有较好聚类性能的前提下，计算效率明显优于其他同类型算法，并适合中型及大型规模数据分类处理。

摘要： 本文提出基于核K-均值聚类方法与支持向量机的说话人识别方法,为每两个人建立一个支持向量机,对支持向量机输入的语音信号先进行核K-均值聚类,并选取有效样本作为支持向量机的输入,本文提出的聚类方法能够去更好地聚类并约简数据,提高识别率。实验比较了在用支持向量机作为分类器的情况下,本文提出的核聚类与传统聚类方法的训练速度和识别性能,验证了本文提出方法的有效性。

摘要： 将连通核与加权硬C-均值模糊聚类算法相结合，提出一种新的鲁棒聚类算法：连通核加权硬C-均值(CWHCM)聚类算法。与原有的连通核硬C-均值(PKHCM)、加权硬C-均值(WHCM)聚类算法相比，新算法在处理噪声环境中的任意形状聚类问题方面更有效。

摘要： 将连通核与加权硬C-均值模糊聚类算法相结合，提出一种新的鲁棒聚类算法：连通核加权硬C-均值(CWHCM)聚类算法。与原有的连通核硬C-均值(PKHCM)、加权硬C-均值(WHCM)聚类算法相比，新算法在处理噪声环境中的任意形状聚类问题方面更有效。

摘要： 将连通核与加权硬C-均值模糊聚类算法相结合，提出一种新的鲁棒聚类算法：连通核加权硬C-均值(CWHCM)聚类算法。与原有的连通核硬C-均值(PKHCM)、加权硬C-均值(WHCM)聚类算法相比，新算法在处理噪声环境中的任意形状聚类问题方面更有效。

摘要： 将连通核与加权硬C-均值模糊聚类算法相结合，提出一种新的鲁棒聚类算法：连通核加权硬C-均值(CWHCM)聚类算法。与原有的连通核硬C-均值(PKHCM)、加权硬C-均值(WHCM)聚类算法相比，新算法在处理噪声环境中的任意形状聚类问题方面更有效。

摘要： 将连通核与加权硬C-均值模糊聚类算法相结合，提出一种新的鲁棒聚类算法：连通核加权硬C-均值(CWHCM)聚类算法。与原有的连通核硬C-均值(PKHCM)、加权硬C-均值(WHCM)聚类算法相比，新算法在处理噪声环境中的任意形状聚类问题方面更有效。

摘要： 将连通核与加权硬C-均值模糊聚类算法相结合，提出一种新的鲁棒聚类算法：连通核加权硬C-均值(CWHCM)聚类算法。与原有的连通核硬C-均值(PKHCM)、加权硬C-均值(WHCM)聚类算法相比，新算法在处理噪声环境中的任意形状聚类问题方面更有效。

摘要： 本发明公开了一种基于核二维岭回归子空间聚类的图像处理方法，包括以下步骤：S1.对于数据集中的每一个样本采用岭回归模型寻求数据的低维表示；S2.引入一个投影矩阵p，将数据投影到多个子空间中，从而得到数据信息最丰富的二维特征；S3.引入核方法，充分考虑数据的非线性结构,建立了一个非线性模型；S4.提出一个交替最小化算法来进行优化：交替进行求解，对一个变量进行求解的时候，保持其他变量不变，重复这个过程直到收敛；S5.利用谱聚类的方法对系数矩阵Z进行聚类，得到最终的聚类结果。本发明中特征学习和低维表示构造相结合且相互增强，引入了核方法，提高了模型的非线性关系捕获能力，有助于提高图像处理的准确性。

摘要： 本发明公开一种基于聚类及多臂赌博机的信息核构建方法，主要解决现有技术推荐精度偏低和信息核提取时间过长的问题，其实现方案为：1)构建用户物品评分矩阵；2)对用户物品评分矩阵进行降维，得到低维矩阵；3)对低维矩阵中的用户进行重复聚类；4)根据聚类结果，构建虚拟用户物品评分矩阵；5)利用多臂赌博机从虚拟用户物品评分矩阵中提取信息核；6)利用提取出的信息核为用户物品评分矩阵中的每一个用户推荐所需要的物品。本发明具有推荐精度高、提取信息核的速度快的优点，可用于为用户推荐所需要的物品。

摘要： 基于差分变异灰狼优化的核直觉模糊聚类图像分割方法，包括以下步骤；步骤1：设置核直觉模糊聚类算法的最大迭代次数，聚类数目，高斯核函数；设置狼群大小，最大迭代次数，步骤2：输入图像；步骤3：提取图像空间鲁棒信息；步骤4：分别计算隶属度矩阵、聚类中心和犹豫度；步骤5：判定随即变量rand1与最大迭代次数之间的关系；步骤6：计算各灰狼的适应度值；步骤7：执行贪心机制，更新α、β、γ狼及其位置向量；步骤8：如满足算法终止条件，则输出最佳灰狼位置；否则，转回步骤(4)；步骤9：根据步骤8求得的最佳聚类中心对图像进行KIFCM分割。本发明基于动态随机差分变异的狼群位置更新策略，实现对聚类中心的优化。

摘要： 本发明公开了一种基于核主成分分析的日负荷曲线降维聚类方法，首先利用核函数对预处理后的日负荷数据矩阵做非线性映射至高维空间，获得高维核矩阵；接着对该高维核矩阵进行修正并做特征值分解，获得对应特征值及单位化特征向量，并依据特征值下降趋势设定提取效率，获得主成分分量及降维指标数目；其次，以特征值作为权重，对其做总和为1的归一化处理后获得权重向量，将修正后的高斯核矩阵在主成分分量上的投影作为降维数据矩阵；最后以降维数据矩阵及权重向量作为加权算法的输入对日负荷曲线进行聚类，并基于Silhouette指标确定最佳聚类数及聚类结果。本方法在提高计算效率的同时提高了聚类质量。其聚类结果与实际相符，具有一定的工程价值。

摘要： 基于局部密度聚类的分子云核检测方法，首先计算每个数据点的三个特征：局部密度、距离和梯度；基于局部密度和距离确定聚类中心，然后以聚类中心开始聚类，在得到聚类结果之后利用梯度进一步确定边界；进而根据每个聚类结果的成员个数最终确定聚类的个数；最后利用多高斯模型计算聚类结果的参数。本发明一种基于局部密度聚类的分子云核检测方法，可以在不同信噪比下保持较高的分子云核检测精度，得到可靠的分子云核的物理参数。

摘要： 本发明涉及一种基于DBSCAN的聚类算法的蠕墨铸铁形核率预测方法，用聚类数代替共晶团数进行形核率计算，通过采集数据集，确定指定半径ε以及密度阈值minPts，进行DBSCAN算法统计，从而得到形核率预测模型。该方法可以更加准确地统计形核率，由此计算得到的冷却曲线与实验直接测得基本吻合，有助于提高蠕墨铸铁件的生产精度，良品率等。对于指导实际蠕墨铸铁的工业生产具有十分重要的意义。

摘要： 本发明提出了一种植物图像分割的改进的核密度峰值聚类方法，该方法通过利用决策图选取中心点后，利用RBF将数据映射到高维空间，然后对样本点采用两种分配策略进行聚类在高维空间中，从而更好地解决K‑Means聚类算法与DPC聚类算法在农业图像分割上的不足。通过在多个人工数据集和UCI数据集上进行试验，并与其他聚类算法进行比较，最后再应用在植物图像分割中，实验结果表明，本发明的算法具有较好的聚类效果。

摘要： 本发明涉及一种基于高斯核化有效性指标的自适应优选石脑油属性聚类数的模糊核聚类方法，该方法基于密度和距离的初始聚类中心选取方法成功处理以下两方面的问题：一个是模糊核聚类方法对初始值的敏感，另一个是运行速度慢，执行时间长，该方法采用定义一个密度度量的方法选取具有高密度的数据对象作为初始聚类中心，有效克服了方法对初始值的敏感；同时，设置了一个二维数组存储石脑油属性数据之间的距离，大大缩短了计算时间，提高了聚类效率。

摘要： 本发明公开一种基于图核聚类的威胁狩猎方法，通过将审计日志构建为行为依赖图，并设计图核聚类方法实现将正常行为与异常行为分离，且能够对行为依赖图进行威胁量化评估，发现未知攻击。包括：行为依赖图构造器，负责将审计日志构建为行为依赖图；图核聚类，负责将行为依赖图嵌入到高维空间并计算相似度，利用聚类方法实现攻击行为和异常行为的分离；威胁评估，负责判断哪些类簇中的行为依赖图表示异常行为，并对异常行为进行威胁评估，实现威胁狩猎。本发明通过构造基于行为依赖图和图核聚类的方法，为威胁狩猎提供了新的设计思路。

摘要： 本申请公开了一种基于超图模型谱聚类的卷积神经网络卷积核剪枝方法、系统、电子设备及存储介质，方法包括：提取目标卷积神经网络的当前卷积层的卷积核集合，并基于该集合生成卷积核特征集合；根据特征集合，构建超图模型，获得超图关联矩阵；根据超图谱聚类算法和预设剪枝率，进行卷积核特征聚类并生成聚类生成卷积核聚类结果；基于卷积核聚类结果对进行剪枝，生成卷积神经网络并进行训练，直至满足目标网络性能；将下一卷积层作为当前卷积层，继续剪枝，直至所有卷积层均完成剪枝，由此，实现了对经典卷积神经网络模型的轻量化，在高剪枝率的前提下，保证了剪枝后的轻量化模型性能维持在原来的水平，并极大地加速了神经网络模型的推断速率。