聚类数

摘要： 针对传统模糊聚类算法需要预先确定初始隶属度矩阵的问题,该文提出了基于增量式模糊聚类算法(Incremental fuzzy clustering algorithm,FCLDA)的文本挖掘方法。首先根据文本集中关键词出现次数进行排序,优先选择出现次数多的关键词作为文本集的主题,然后利用隐含狄利克雷分布(Latent Dirichlet allocation,LDA)主题模型构建文档-主题概率分布组成矩阵,将该矩阵作模糊C均值聚类(FCM)算法的隶属度矩阵,并对隶属度矩阵的隶属度值增加一个权值,在FCLDA算法迭代过程中,采用模糊信息熵作为聚类数确定的标准,增加主题词,当模糊信息熵达到最小值时,聚类数确定下来,最后将FCLDA算法应用到网页的文本挖掘中,结果试验表明,相对于FCM算法和K最近邻(K-nearest neighbor)算法,FCLDA算法的运行聚类结果准确率更高,运行速度加快,更适合处理具有模糊性的文本。

摘要： 聚类数的确定在聚类分析中是一个基本却具有挑战性的问题.一方面,最佳聚类数根据不同的评价标准、用户偏好或需求可能不一致,因此将不同聚类数的聚类结果呈现给用户作参考是有意义的.另一方面,增加聚类数虽会使聚类结果更加紧致,却会削弱不同类之间的分离性,所以选择合适的聚类数是一个在最小化聚类数与最大化类内紧致性或类间分离性之间取得平衡的多目标优化问题.因此,在聚类数不确定的聚类问题中直接将聚类数作为一个优化目标与另一个反映类内紧致性的目标函数同时进行优化,利用新的基于精英集的多目标差分进化算法得到一个Pareto解集,集合中含有多个不同聚类数的近似最优聚类结果.实验结果验证了所提算法的可行性和有效性.

摘要： 随着数据维度的增加,传统聚类算法会出现聚类性能差的现象.SubKMeans是一种功能强大的子空间聚类算法,旨在为K-Means类算法搜索出一个最佳子空间,降低高维度影响,但是该算法需要用户事先指定聚类数目K值,而在实际使用中有时无法给出准确的K值.针对这一问题,引入成对约束,将成对约束与轮廓系数进行结合,提出了一种基于成对约束的SubKMeans聚类数确定算法.改进后的轮廓系数能够更加准确的评价聚类性能,从而实现K值确定,实验结果证明该方法的有效性.

摘要： 针对模糊C-均值聚类分析(FCM)易陷入局部最小值以及对初始聚类中心敏感度过大的缺点,首先使用一种基于密度的DBSCAN算法,通过计算数据间距离与密度的方法确定聚类数,同时在遗传模拟退火算法(SAGA)的基础上,提出了基于多种群遗传模拟退火算法的聚类分析.首先对FCM进行分析与评价,提出FCM在确定聚类数与聚类过程方面的不足;然后针对FCM中的不足选择ST-DBSCAN算法确定聚类数,同时对遗传模拟退火算法进行研究,加人多种群并行遗传思想对遗传模拟退火算法进行优化;最后将FCM与多种群遗传模拟退火算法有机结合,优化聚类过程.实验结果表明,上述算法有较好的全局搜索能力与收敛能力,同时在聚类效果与稳定性上较传统聚类算法有一定的优势.

摘要： 针对聚类算法在实现的过程中需要预先设定最终聚类数目的问题,提出了基于同类全部样本的类内紧密度和类间离差度的一种新聚类有效性指标,通过该指标能够有效地确定数据集的最佳聚类簇数.在确定最佳聚类数的过程中采用K-means算法,针对K-means算法随机选择初始聚类中心的缺陷,提出以欧式距离度量样本相似度,基于样本方差,选出方差最小的前K个样本作为初始聚类中心,避免噪声点成为初始聚类中心,使得选择的初始聚类中心位于样本集稠密区域,K-means聚类的结果稳定有效.使用优化K-means算法和新的聚类有效性指标确定数据集的簇数,通过在UCI数据集和人工模拟数据集上测试,证明文本算法在球形且噪声点较少的样本集中,能够有效地找出最佳的类数且算法运行速度快.

摘要： 针对粒子群优化算法容易陷入局部最优且K-means算法受聚类数及初始聚类中心的选取影响较大,提出了一种改进的简化均值粒子群K-means优化聚类算法(ISMPSO-AKM).一方面,在简化粒子群算法的基础上,加入邻域最优粒子,由个体最优位置、全局最优位置及邻域最优位置线性组合改进位置公式.另一方面,构造一种基于余弦函数和对数函数的惯性权重,实现对惯性权重的动态调整.此外,引入AKM聚类算法确定聚类数,动态获取初始中心,进一步提高算法的准确性.仿真实验表明,改进的ISMPSO-AKM算法具有更快的收敛速度,更高的求解精度及更稳定的聚类结果.

摘要： 模糊聚类是模式识别、机器学习和图像处理等领域的重要研究内容.模糊C-均值聚类算法是最常用的模糊聚类实现算法.该算法需要预先给定聚类数才能对数据集进行聚类.提出了一种新的聚类有效性指标,对聚类结果进行有效性验证.该指标从划分熵、隶属度、几何结构角度,定义了紧凑度、分离度、重叠度三个重要特征测量.在此基础上,提出了一种最佳聚类数确定方法.将新聚类有效性指标与传统有效性指标在六个人工数据集和三个真实数据集进行实验验证.实验结果表明,所提出的指标和方法能够有效地对聚类结果进行评估,适合确定样本的最佳聚类数.

摘要： 针对标准人工蜂群算法的缺点:搜索效率低、收敛速度慢,本文提出了一种改进的人工蜂群算法.通过引入算术交叉操作以及利用最优解指导搜索方向,显著增加了算法的收敛速度,在7个基准函数上的测试结果表明该算法拥有比其它五种智能算法更优越的效果.在此基础上,针对K-means算法的缺点,提出了基于改进蜂群算法优化聚类数的K-means算法,使得算法具备自动获得最佳聚类数的功能,在人工数据集和Iris数据集上的测试结果亦表明了算法的可行性.

摘要： 对于许多聚类算法,决定合适的聚类数目至关重要,这称为聚类有效性问题.本文首次建立了聚类有效性与聚类算法稳定性之间的联系.主要思想是,聚类算法得到的结果越好,其稳定性就越高.据此,对应于聚类结果的目标函数的Hessian矩阵的条件数可以作为聚类有效性函数,简称稳定指标.数值实验表明,如果数据确定具有紧致球型的子类结构,模糊c均值算法的稳定指标在选择聚类数时性能较好.

摘要： 一种基于聚类的观测数据与目标库根数关联方法和装置，首先，根据空间目标的观测数据，获取空间目标在第一时刻的轨道根数；其次，将空间目标在第一时刻的轨道根数转化为在第二时刻的轨道根数；然后，从轨道根数中选取3个参数形成两个参数空间；最后，依次在两个参数空间中对空间目标在第二时刻的轨道根数和预设目标库中已编目目标在第二时刻的轨道根数进行两次聚类运算，从而在预设目标库中找到与空间目标关联的已编目目标；由此，本发明通过轨道根数中的3个参数形成参数空间进行聚类运算，兼容性好，运行速度快，结果简单直观，易于工程实现。

摘要： 本发明涉及划分岩体均质区与空间变异性领域，具体涉及一种基于计盒维数与聚类分析用于划分岩体均质区的耦合方法。包括以下步骤：(1)使用测窗采集实际岩体表面的迹线，绘制迹线图；(2)将迹线图划分至n个尺寸相同的网格中，以得到n个小迹线图；(3)计算所有小迹线图的计盒维数；(4)计算小迹线图中所有迹线的迹线角；(5)根据小迹线图计盒维数与迹线角，计算每个小迹线图与所有迹线图之间的形状差异度；(6)计算代表小迹线图的特征向量之间的夹角。(7)根据小迹线图的特征向量对小迹线图进行聚类分析。本发明对计盒维数方法进行了改进，提出了形状相似度，以更加适应均质区划分问题，弥补了计盒维数无法检测不连续面产状的不足。

摘要： 一种数量多且维数高的图像局部特征点自适应聚类方法：对输入图像构造尺度空间；利用不同尺度的高斯差分核与图像卷积构建高斯差分尺度空间；对每一个采样点要和它所有的相邻点比较大小；通过拟合三维二次函数以精确确定特征点的位置和尺度；对输入图像进行高斯滤波；改变高斯滤波函数的方差及高斯卷积核；对特征点进行聚类；选取偏向参数的值；计算样本点间的影响度和隶属度值；不断计算影响度和隶属度的值，直到找到合适的聚类中心；当计算次数超过设定的最大值或者当聚类中心在若干次计算中不发生改变时停止计算；对10组聚类结果进行曲线拟合，找出输入图像对应的特征点的聚类类数，对输入图像特征点进行聚类。本发明显著提升图像分析的效率。

摘要： 一种基于聚类的观测数据与目标库根数关联方法和装置，首先，根据空间目标的观测数据，获取空间目标在第一时刻的轨道根数；其次，将空间目标在第一时刻的轨道根数转化为在第二时刻的轨道根数；然后，从轨道根数中选取3个参数形成两个参数空间；最后，依次在两个参数空间中对空间目标在第二时刻的轨道根数和预设目标库中已编目目标在第二时刻的轨道根数进行两次聚类运算，从而在预设目标库中找到与空间目标关联的已编目目标；由此，本发明通过轨道根数中的3个参数形成参数空间进行聚类运算，兼容性好，运行速度快，结果简单直观，易于工程实现。

摘要： 本公开提供一种知识库协调聚类最小簇数计算方法及装置。包括：给定完整性约束Φ、与Φ不协调的知识库K，通过调用已有的算法获得其极小不协调子集MIS(K∪{Φ})以及其所有问题公式集Pb(K,Φ)，并构造模型决策变量集合X与模型辅助决策变量集合Y；根据X、Y以及MIS(K∪{Φ})构造二次整数规划约束C；令X之和构成二次整数规划目标函数Z，在满足二次整数规划约束C的条件下求解目标函数Z的最小值，得到变量指派集合，Pb(K,Φ)中每项公式在变量指派集合中对应的整数变量的值即可求得其公式的类别。针对不协调知识库，利用极小不协调子集，构建二次整数规划模型，最后求解二次整数规划模型获取完整的协调聚类簇及最小簇数。

摘要： 本发明涉及划分岩体均质区与空间变异性领域，具体涉及一种基于计盒维数与聚类分析用于划分岩体均质区的耦合方法。包括以下步骤：(1)使用测窗采集实际岩体表面的迹线，绘制迹线图；(2)将迹线图划分至n个尺寸相同的网格中，以得到n个小迹线图；(3)计算所有小迹线图的计盒维数；(4)计算小迹线图中所有迹线的迹线角；(5)根据小迹线图计盒维数与迹线角，计算每个小迹线图与所有迹线图之间的形状差异度；(6)计算代表小迹线图的特征向量之间的夹角。(7)根据小迹线图的特征向量对小迹线图进行聚类分析。本发明对计盒维数方法进行了改进，提出了形状相似度，以更加适应均质区划分问题，弥补了计盒维数无法检测不连续面产状的不足。

摘要： 本发明公开了一种基于聚类的新闻文本最优主题数计算方法，步骤为：Step1、新闻文本语料获取和预处理；Step2、对经过预处理的语料库进行词嵌入处理，获得语料库中文本的词向量；Step3、将所有的词向量作为一个整体，利用一种基于快速搜索和寻找密度峰值的聚类方法对词向量进行聚类，获得词向量的聚类数目；Step4、将词向量聚类获得的数目确定为新闻文本的最优主题数。本发明利用词嵌入Word2Vec模型来表达主题语料之间的隐含语义关系，可以避探索词义相关关系，同时算法整体不存在迭代，计算简单，模型复杂度不高，因此可以避免现有方法在确定LDA最优主题数目所使用的都要迭代及每一步都需要求解目标函数的不足。

摘要： 本申请实施例公开了一种目标聚类数的获取方法、装置及计算机系统，其中所述方法包括：获取待分类数据集；对所述待分类数据集按照设定的至少两个聚类数分别进行聚类划分，获得所有所述聚类数对应的聚类划分结果；根据所述聚类数与所述对应的聚类划分结果，计算每一所述聚类数对应的聚类有效性指标；确定所有所述聚类有效性指标中值最小的聚类有效性指标对应的聚类数为目标聚类数。本申请技术方案给出了目标聚类数的获取方法，能够用于对数据集进行聚类划分，提高了数据集划分的准确率。

摘要： 本发明提供一种自动识别聚类数的层次聚类算法，包括以下步骤：利用自然邻居搜索停止时所有数据点的反向邻居数最大值μ以及数据点μ近邻的欧式距离之和计算数据点的密度，设计一种通过手动输入参数控制噪声比例的动态噪声识别器来识别噪点进行去噪，获得去噪后的数据集；利用距离越近的点越容易划分到同一个聚类中这一思想，设计一种基于k近邻有向边迭代图合并过程划分聚类的方法进行聚类，记录聚类数和迭代次数的关系，利用迭代次数最大值判定最佳聚类数，得到去噪后数据集的最佳聚类结果；对噪点数据划分聚类，得到最终聚类结果。本申请通过对去噪后数据集构造k近邻有向图，迭代图合并过程进行聚类，利用迭代次数最大值判断数据集的最佳聚类数。

摘要： 本发明公开了一种基于熵排序的半监督谱聚类确定聚类数的方法，主要解决谱聚类中拉普拉斯矩阵的特征向量的选择问题。其过程为：用熵排序的理论对特征向量进行“重排列”，得到特征向量重要度最高的列，对于一个k类问题，抽取特征向量的前k列，并将其投射到k维空间；根据各个点与k维空间中2k个半轴的距离进行聚类，除去2k类中没有点的类或者点数少于输入数据点数百分之一的聚类，将保留下来的聚类数记为c；再抽取特征向量前c列，循环该操作直到聚类数稳定为止，此时对应的类数是最佳聚类数；按输入点的坐标对输入数据点进行标记，得到聚类结果。本发明具有自适应和聚类正确率高的优点，可用于对图像类别数的自适应确定。