聚类中心

摘要： 为了提升P2P流量的识别精度与控制效果,提出了深度学习算法的P2P流量识别与控制方法.采用P2P流量数据训练深度学习算法的BP神经网络,根据训练好的神经网络对训练样本进行预分类,得到包含各服务流量特征的预分类结果.将预分类结果作为P2P流量聚类中心值,通过聚类算法检测P2P流量样本数据,得到P2P流量识别结果.采用分形自回归综合滑动平均模型分析P2P流量控制机制.结果表明,该方法的识别性能稳定、识别结果精度较高,有效降低了流量传输的丢包率,可对P2P流量传输进行稳定控制.

摘要： 密度峰值聚类(Clustering by Fast Search and Find of Density Peaks,DPC)算法是一种新型的基于密度的聚类算法,通过选取自身密度高且距离其他更高密度点较远的样本点作为聚类中心,再根据样本间的局部密度和距离进行聚类。一方面,虽然DPC算法参数唯一、简单、高效,但是其截断距离的取值是按经验策略设定,而截断距离值选取不当会导致局部密度和距离计算错误;另一方面,聚类中心的选取采用人机交互模式,对聚类结果的主观影响较大。针对DPC算法的这些缺陷,目前的改进方向主要有3个:改进截断距离的取值方式、改进局部密度和距离的计算方式以及改进聚类中心的选取方式。通过这3个方向的改进,使得DPC过程自适应。本文对DPC算法的自适应密度峰值聚类算法的研究现状进行比较分析,对进一步的工作进行展望并给出今后的研究方向:将DPC算法与智能算法有机结合实现算法自适应,对于算法处理高维数据集的性能也需要进一步探索。

摘要： 针对基于划分的聚类算法对初始聚类中心较为敏感的缺陷以及样本划分方式导致算法时间复杂度较高的问题,通过引入强化学习中的学习机制,结合DP_(RI)算法中的离散化奖励技术,提出一种基于DP_(RI)的单行为强化聚类算法。该算法把聚类任务转化成强化学习任务,通过智能体不断“探索”和“利用”的过程,使算法具有了一定的自我学习能力,该算法以平均类内距离的变化趋势作为发送反馈信号的依据,智能体接收到信号后不断更新Q表,最终达到稳定状态,输出聚类结果。使用K-means、K-means++、FCM以及最近提出的LAC算法在准确率、DB指数、轮廓系数以及运行时间等指标上进行对比实验。结果表明10个数据集中,文中算法在6个数据集上准确率最高、DB指数最优,在5个数据集上轮廓系数最高。时间复杂度方面,文中算法处理中规模和大规模数据的运行时间降低了一个数量级。

摘要： 传统K-means聚类算法容易受到初始聚类中心影响,从而导致聚类准确度较差的问题,本文利用剑鱼优化算法全局搜索能力强、收敛速度快的优势,提出一种基于改进剑鱼算法的K-means聚类算法。为增强剑鱼优化算法全局搜索能力,采用Tent混沌序列初始化种群,利用Tent混沌序列遍历性、随机性和规律性提高初始解的质量;为了提升算法搜索的精度,引入高斯变异,以此增强算法局部搜索能力;为了促使算法在跳出限制后继续搜索,在搜索停滞的解的基础上生成Tent混沌序列,用Tent混沌序列对部分陷入局部最优的个体进行扰动。最后,在9个标准测试函数上进行仿真实验,验证了所提算法的优越性;通过与传统K_means聚类算法在UCI数据集上聚类结果的对比,证明所提出的聚类算法具有更好的聚类性能,可以有效降低初始聚类中心对K-means算法的影响。

摘要： 已有的高校物联网云安全可信度检测方法的用户身份加密过程易出现漏洞,导致无法直接判断云数据的安全性。为此,提出基于二次加密算法的物联网云安全可信度检测方法。利用RSA加密算法完成学生身份的认证。结合DES加密算法实现二次加密。再采用K-L散度高斯混合模型聚类入侵数据,利用特征标准划分待测数据集,获取检测优先级,判断云安全内是否存在入侵数据,完成物联网云安全可信度检测。实验证明:所提二次加密算法下的云安全可信度由于单一加密算法,且根据所提方法的检测结果可直接判断数据是否存在威胁。

摘要： 以K-means为代表的聚类算法被广泛地应用在许多领域,但是K-means不能直接处理不完整数据集.k_(m)-means是一种处理不完整数据集的聚类算法,通过调整局部距离计算方式,减少不完整数据对聚类过程的影响.然而k_(m)-means初始化阶段选取的聚类中心存在较大的不可靠性,容易陷入局部最优解.针对此问题,本文引入可信度,提出了结合可信度的k_(m)-means聚类算法,通过可信度调整距离计算,增大初始化过程中选取聚类中心的可靠性,提高聚类算法的准确度.最后,通过UCI和UCR数据集验证算法的有效性.

摘要： 通过自行开发的爬虫脚本,抓取新浪微博上不同的关键词组成文本数据集,对数据信息进行中文分词、去停用词、权重计算等预处理,然后利用改进的聚类算法对文本聚类分析。针对K-means算法存在随机选取的初始聚类中心导致后期易收敛不能保证全局最优的问题,提出改进的密度峰值算法优化的K-means聚类算法。实验结果表明,与传统的K-means算法相比较,改进后的算法聚类更加有效稳定,提高了微博舆情发现的准确度和效率。

摘要： 密度峰值聚类(DPC)算法在对密度分布差异较大的数据进行聚类时效果不佳,聚类结果受局部密度及其相对距离影响,且需要手动选取聚类中心,从而降低了算法的准确性与稳定性。为此,提出一种基于加权共享近邻与累加序列的密度峰值算法DPC-WSNN。基于加权共享近邻重新定义局部密度的计算方式,以避免截断距离选取不当对聚类效果的影响,同时有效处理不同类簇数据集分布不均的问题。在原有DPC算法决策值的基础上,生成一组累加序列,将累加序列的均值作为聚类中心和非聚类中心的临界点从而实现聚类中心的自动选取。利用人工合成数据集与UCI上的真实数据集测试与评估DPC-WSNN算法,并将其与FKNN-DPC、DPC、DBSCAN等算法进行比较,结果表明,DPC-WSNN算法具有更好的聚类表现,聚类准确率较高,鲁棒性较强。

摘要： 为了能够对道路实时交通状态进行有效判别,提出一种利用高斯混合模型聚类算法判别城市道路交通状态的方法。通过同时对高德地图数据平台实时监控和现场数据采集获得道路的速度、流量等判别指标以及交通状态,并且在流量的基础上提出宽裕度判别指标。为防止GMM算法陷入局部最优,运用改进的均值-标准差算法分析预处理数据获得聚类中心,将实验所得聚类中心值代入高斯混合模型进行聚类分析实验,通过匹配矩阵将各算法实验分类结果与实际交通状态值进行对比获得算法的分类精度。结果表明,改进的GMM算法精确率达到98.8%,较未改进的GMM算法精度提高了0.2%,改进GMM算法在精确度和稳定性方面均优于其他几种算法,验证了高斯混合模型对交通数据进行状态判别的有效性。

摘要： 针对大规模多属性群体决策问题在不平衡犹豫模糊语言环境下难以确定决策者偏好权重的问题,提出了同一模糊集群中,单个决策者偏好权重的计算方法。首先,在不平衡犹豫模糊语言环境下,引入同一集群内单个决策者偏好权重这一概念;之后,在FCM算法基础上,利用算法产生的聚类中心和决策者与所属集群的隶属度,定义了新的偏好权重计算公式以及集群的决策矩阵计算公式,由此得到一种新的大规模群体决策方法;最后,通过实例验证了方法的可行性和有效性。

摘要： 传统的k-means算法随机选择初始聚类中心，而初始聚类中心的选择对最终的聚类结果有着直接的影响，因此算法不能保证得到一个唯一的聚类结果。为消除这种影响，提出了一种基于K-最近邻居图的划分来选择初始聚类中心算法。实验表明，本文算法能够有效减少K-means算法的迭代次数，提升聚类精度。

摘要： 提出了一种有效选择初始聚类中心的算法CNICC.该算法参考了网格聚类算法的思路.划分数据空间为相应维度上的网格单元,然后根据实例的分布情况确定初始聚类中心.从二阶差分的概念出发,CNICC定义了网格单元的一阶邻居和二阶邻居,算法根据每个网格单元的一阶和二阶邻居的局部密度变化寻找包含聚类中心的网格单元.在人工数据集上进行的实验表明,与现有初始化聚类中心的方法相比,CNICC能够有效减少K-means算法的迭代次数,提升聚类精度.同时,随着数据集实例数、维度和网格单元数量的增加,算法的时间复杂度呈线性增加.

摘要： RBF网络可以逼近任意连续非线性函数，且训练速度快，性能好，被广泛应用于过程建模和预测。网络的一个重要因素是隐层节点的选择，隐层节点过多或过少都会影响最终网络的性能。本文提出了一种改k-means聚类算法，可以自动确定最优的聚类区数，并且可使最终的聚类中心合理地分布在数据空间中。在RBF网络进行建模和预测时，采用该方法确定隐层节点的中心，跟用通常的聚类方法相比，可以大大减小网模。仿真和实际应用结果都证明该方法的有效性。

摘要： 针对多传感器系统某一时刻融合中心接收到多部传感器对同一目标的量测数据呈团状，且大致分布在目标真实值的周围的现象，为了区分源于不同目标的数据以实现目标跟踪，提出了一种基于自适应选取初始聚类中心的k-means算法与修正的逻辑法相结合的多传感器航迹起始算法。算法通过合理选择度量两个量测数据不相似性的闽值，自适应的确定聚类数目和初始聚类中心，将多传感器的航迹起始问题简化为单传感器的航迹起始问题；然后对聚类后的数据采用修正的逻辑航迹起始算法起始目标航迹。仿真结果表明，本文所提出的自适应k-means聚类算法能正确的区分不同目标，且识别出的目标与真实目标非常接近，聚类处理后再进行目标航迹起始不仅能有效地滤除部分杂波，降低虚警概率，而且航迹起始效果也较好。

摘要： 在使用无监督C均值算法进行遥感聚类的过程中，往往忽略了对已知信息的有效利用，针对这一问题，本文结合先验知识，提出一种基于半监督模糊C均值算法的遥感图像处理的模型。该模型利用已有的先验知识，进行一次快速迭代遍历，从而得到较好的初始聚类中心，克服原始算法初始聚类中心选取的随机性所带来的影响，在一定程度上避免了陷入局部最小。此外，在整体循环迭代过程中，加入先验知识的影响因子，解决同物异谱的问题，引导循环聚类向着正确的方向进行，有效地加快算法的收敛速度，提高聚类的精度。在此基础上，进一步添加反模糊自动判定类别属性的方法。最后本文使用误差矩阵和一致性指标，来验证算法的真实有效性。

摘要： 为了提高传统K-均值聚类的稳定性和可靠性,提出了一种自适应的K-均值聚类算法,其基本思想是通过分析样本集的最小树并切割其中所有超过一定阈值的较长边,根据样本集的结构特征事先自动地计算出合理的聚类个数和合理的初始聚类中心.理论分析和计算实验表明,该算法不仅能够保证聚类结果的惟一性,而且在样本集的各个聚类具有大致凸的形状时,如果类间距离明显大于类内距离,不需要人工选择参数就能直接获得较好的聚类结果.对于同样的数据集而言,即使选择了正确的聚类个数,传统的K-均值算法也可能给出不合理的聚类结果,因此自适应的K-均值聚类算法具有更好的性能。

摘要： 针对聚类神经网络初始权值与样本分类数的设定问题,提出一种基于网格和密度的聚类神经网络结构优化算法.以网格和密度为工具提取聚类样本的聚类中心,并由此确定样本分类数,从而对聚类神经网络结构进行优化,可以有效地提高神经网络的聚类效果,缩短样本聚类时间.

摘要： 蚁群算法良好的离散性,并行性,正反馈性和鲁棒性,非常适合于图像分割。但基本蚁群算法蚂蚁的搜索是随机的,计算量大,不利于算法的收敛,为此,本文提出了设置初始聚类中心的没想,并以小窗口为对象实施算法,由此大大减小了计算量。另外基本蚁群算法中挥发系数固定,会导致算法可能过早收敛或停滞,针对这一不足。本文将其修改为随蚂蚁通过可行路径个数动态变化,使其收敛性和稳定性有了一定提高,实验证明了方法的有效性。

摘要： 用K-means算法量化彩色图象能够取得很好的视觉效果,但由于初始聚类中心选取的任意性,导致迭代次数过多,运行时间过长.本文提出的色彩量化算法在吸取K-means算法的迭代思想的基础上,借鉴统计学原理,选取出现频率最高且在色彩空间相互之间距离大于某一阈值的一组颜色作为初始聚类中心.这样既保留了输入图象的主颜色,又尽可能多地表达更加丰富的颜色.实验表明在有效保证量化后图象的质量的同时,该算法能使运行效率得到明显地改进.

摘要： 本文提出一种基于聚类分析的信用评价方法.首先选取样本企业进行聚类分析,然后对聚类中心进行评价,从而得到聚类中心与信用等级之间的对应关系,进而可以对待评级企业进行等级评价,这种方法克服了传统评级方法中主观性强、静态、缺乏行业分析的缺点,具有较强的实用性和通用性.另外,本文还讨论了建立信用等级评价指标体系的原则,并且对现有的指标体系进行了适当的改进.

摘要： 自动确定聚类中心的用户影评密度峰值聚类方法，包括：步骤1.读取用户影视评分数据文件中的数据集；步骤2.计算两个用户之间的相似度；步骤3.初始化截断距离dc；步骤4.影评用户i的局部密度ρi计算；步骤5.计算用户点i的距离δi；步骤6.计算用户i的归一化决策函数ri；步骤7.初始化聚类中心；步骤8.依据降序的ri取前Ci个数据点作为聚类中心用户，对非中心用户进行归类；步骤9.离群用户剔除；步骤10.计算占分比N；步骤11.取占分比最大值时的聚类中心点数Ci，然后依据降序后的归一化决策函数，取前Ci‑1个点作为本样本的聚类中心，然后按照上述步骤对非中心点进行归类划分；步骤12.输出聚类结果。

摘要： 本发明公开了一种基于高斯隐变量降维聚类中心的功能磁共振聚类成像方法，本发明利用高斯过程隐变量分析，时间序列间的绝对值距离，功能磁共振实验设计模式相关分析和距离指标建立了一种功能磁共振大数据聚类成像模型。利用高斯过程隐变量分析对数据协方差矩阵进行降维，利用降维后的数据向量作为聚类中心，然后利用与聚类中心的最小绝对值距离来对磁共振数据集对应体素进行归类，同时结合实验设计模式相关分析识别任务相关激活区并构建激活指标。本发明通过对协方差矩阵降维后较小的数据集确定聚类中心，避免了对磁共振大数据集直接聚类的常规做法，提高了成像效率、节省了计算资源，利用此模型架构实现功能磁共振成像目前是一种新的技术尝试。

摘要： 本发明涉及一种基于样本密度和自适应调整聚类中心的聚类分析方法，首先基于样本密度和样本邻域初始化聚类数目K和聚类中心，然后采用最近邻类簇合并的方法自适应调整聚类数目K，最终得到最佳聚类结果，从而大大提高了聚类分析结果的有效性。

摘要： 本发明公开了一种以平面为聚类中心的抗噪性的模糊聚类图像分割方法，该方法包括以下步骤：首先，定义目标函数并初始化目标函数中的各项系数及阈值等，随机初始化隶属度矩阵；使目标函数最小化计算更新聚类平面的各项系数和模糊隶属度矩阵；基于更新后的模糊隶属度矩阵计算目标函数的值，当连续两次迭代的目标函数值之差的绝对值小于终止条件或方法超出最大迭代次数限制时迭代结束，否则，继续迭代执行更新，根据隶属度最大的准则分类标记每个像素点，完成初始分类；在分类结果上提取图像边缘，并以边缘点为中心像素选取局部窗口再次进行隶属度划分；根据聚类输出的模糊隶属度矩阵，得到数据点属于某一类的隶属度，按照最大概率原则对每个数据点就行分类标记，完成图像分割。本发明的方法使用聚类平面代替聚类中心进行图像分割，可以同时考虑像素的灰度值信息以及位置信息，取得了理想的图像分割效果，并很好地消除噪声的影响，提高了图像分割的质量和分割效果的稳定性。

摘要： 本发明针对密度峰值聚类算法(DPC)需要人为设置截断距离dc、无法自动识别聚类中心的缺陷。提出了一种基于加权共享最近邻的自适应密度峰值聚类算法(WSNN‑ADPC)。首先，结合共享最近邻和指数核函数引入了新的局部密度；其次，提出一种新的聚类中心自适应策略；最后，将剩余的数据点分配到距离最近的聚类中心的簇中。实验表明，该算法在人工数据集和UCI真实数据集上比常用的几种聚类算法具有更好的聚类效果。

摘要： 本发明涉及一种基于样本密度和自适应调整聚类中心的聚类分析方法，首先基于样本密度和样本邻域初始化聚类数目K和聚类中心，然后采用最近邻类簇合并的方法自适应调整聚类数目K，最终得到最佳聚类结果，从而大大提高了聚类分析结果的有效性。

摘要： 本发明设计了一种自动确定聚类中心的混合属性数据集聚类方法，针对K‑Prototypes聚类算法中需人为指定初始聚类中心和聚类数目导致算法准确度和稳定性低下的问题，该方法分为初始化、聚类中心点预选取、确定聚类中心点、迭代聚类划分过程这四个步骤。该方法根据数据对象的密度分布，实现类簇个数的自动识别，并选择出初始聚类中心，优化初始选点造成的局部最优问题，另外通过区分每个属性对聚类结果的不同影响权重，改进相异度计算公式，提升了聚类的准确度，达到了更好的聚类效果。

摘要： 本发明公开了一种以平面为聚类中心的抗噪性的模糊聚类图像分割方法，该方法包括以下步骤：首先，定义目标函数并初始化目标函数中的各项系数及阈值等，随机初始化隶属度矩阵；使目标函数最小化计算更新聚类平面的各项系数和模糊隶属度矩阵；基于更新后的模糊隶属度矩阵计算目标函数的值，当连续两次迭代的目标函数值之差的绝对值小于终止条件或方法超出最大迭代次数限制时迭代结束，否则，继续迭代执行更新，根据隶属度最大的准则分类标记每个像素点，完成初始分类；在分类结果上提取图像边缘，并以边缘点为中心像素选取局部窗口再次进行隶属度划分；根据聚类输出的模糊隶属度矩阵，得到数据点属于某一类的隶属度，按照最大概率原则对每个数据点就行分类标记，完成图像分割。本发明的方法使用聚类平面代替聚类中心进行图像分割，可以同时考虑像素的灰度值信息以及位置信息，取得了理想的图像分割效果，并很好地消除噪声的影响，提高了图像分割的质量和分割效果的稳定性。

摘要： 本发明公开了一种基于高斯隐变量降维聚类中心的功能磁共振聚类成像方法，本发明利用高斯过程隐变量分析，时间序列间的绝对值距离，功能磁共振实验设计模式相关分析和距离指标建立了一种功能磁共振大数据聚类成像模型。利用高斯过程隐变量分析对数据协方差矩阵进行降维，利用降维后的数据向量作为聚类中心，然后利用与聚类中心的最小绝对值距离来对磁共振数据集对应体素进行归类，同时结合实验设计模式相关分析识别任务相关激活区并构建激活指标。本发明通过对协方差矩阵降维后较小的数据集确定聚类中心，避免了对磁共振大数据集直接聚类的常规做法，提高了成像效率、节省了计算资源，利用此模型架构实现功能磁共振成像目前是一种新的技术尝试。

摘要： 本发明提供一种基于K‑均值聚类算法的初始聚类中心确定方法及装置，能够快速、准确地从大量的微博数据中发现舆情热点话题。所述方法包括：获取数据对象集合，其中，所述数据对象集合包括：微博文档集合；确定数据对象集合中每个数据对象与其它数据对象间的平均相似度，获取平均相似度大于等于预先设定的密度阈值的数据对象作为核心对象；从核心对象中选取彼此间最不相似的多个核心对象作为K‑均值聚类算法的初始聚类中心，以便K‑均值聚类算法根据得到的初始聚类中心进行聚类。本发明涉及机器学习领域。