谱聚类

摘要： 针对稀疏子空间聚类(SSC)方法聚类误差大的问题,提出了基于随机分块的SSC方法。首先,将原问题数据集随机分成几个子集,构建几个子问题;然后,采用交替方向乘子法(ADMM)分别求得几个子问题的系数矩阵,之后将几个系数矩阵扩充成与原问题一样大小的系数矩阵,并整合成一个系数矩阵;最后,根据整合得到的系数矩阵计算得到一个相似矩阵,并采用谱聚类(SC)算法获得原问题的聚类结果。相较于稀疏子空间聚类(SSC)、随机稀疏子空间聚类(S3COMP-C)、基于正交匹配追踪的稀疏子空间聚类(SSCOMP)、谱聚类(SC)和K均值(K-Means)算法中的最优算法,基于随机分块的SSC方法将子空间聚类误差平均降低了3.12个百分点,且其互信息、兰德指数和熵3个性能指标都明显优于对比算法。实验结果表明基于随机分块的SSC方法能降低子空间聚类误差,改善聚类性能。

摘要： 牛舍多采用自然通风,舍内环境参数空间分布规律与密闭式机械通风的猪舍和鸡舍有所不同。针对牛舍环境监测传感器布局问题,该研究分别采用传统均匀布点和谱聚类布点两种布局方法,分析了1~8个传感器共27种布局在夏、冬、过渡3个季节共12组试验数据下的传感器部署方案。研究结果表明:在牛舍环境监测传感器部署过程中,传统布局中蛇形(无中点)的布点规则表现最佳。谱聚类布局的监测性能随着传感器个数的增加逐渐提高,整体监测效果优于传统布局,但由于不同季节间传感器部署位置不稳定,只能为传统布局提供参考。传感器的个数在两种方法中都控制在5左右最佳,该选择可在满足检测要求下有效地降低数据的冗余度,节约监控成本。

摘要： 传统胶囊网络(CapsNet)在计算时使用的动态路由算法需要多次迭代,针对这一问题,文章提出一种基于谱聚类的胶囊网络模型(Spectral Clustering Capsule Network,SC-Caps)并将其应用于文本分类任务。这种模型首先使用卷积层对文本进行特征提取,在初级胶囊层将提取的标量特征转化为向量特征,再利用谱聚类算法将高维的向量特征转化为较低维的子向量特征,并在卷积胶囊层学习局部与全局之间的关系映射。在搜狗语料库SougoCA进行实验,结果与LSTM、C-LSTM以及采用其他路由方法的胶囊网络进行比较,证明该算法有效提高了文本分类的分类效果。

摘要： 针对权重社交网络差分隐私保护算法中噪声添加量过大以及隐私保护不均衡问题,提出了一种结合谱聚类算法与差分隐私保护模型的隐私保护算法SCDP。首先针对传统差分隐私保护算法直接向社交网络边权重添加噪声方式带来的噪声添加量过大的问题,结合谱聚类算法,将权重社交网络聚类成为不同的簇,对不同的簇采取随机添加噪声的方式,降低噪声的添加量,提高数据的可用性;其次设计新的隐私预算参数,根据社交网络边权重的大小决定噪声的添加量,实现更均衡的隐私保护;最后通过理论推导和实验证明了SCDP算法处理后的数据可用性更高。

摘要： 网络对抗是现代战争的关键因素,对抗手段主要是攻击节点,攻击关键节点能够用最少的资源最大程度地破坏敌方通信系统。现有研究大多通过挖掘节点在网络拓扑中的地位来分析节点的重要程度。这种方法往往计算复杂,不适用于大规模网络。提出通过聚类算法进行关键节点识别,对节点进行密度峰值聚类,得到以局部密度和与更高密度点的距离为坐标的决策图,将决策图中各节点间的距离作为权值矩阵进行谱聚类得到网络的关键节点。

摘要： 根据棉田棉花生长特点,利用最大熵法进行背景增强,在Lab颜色空间中进行图像预处理;利用粒子群优化算法得到局部最优,结合SM谱聚类算法,自发式地快速确定最佳聚类数。对自然环境下棉田棉花图像的进行分割实验,识别准确率为93.1%,相对误差率为2.22%,分割时间为2.067s,证明所提出的算法对于复杂环境下的棉花图像分割的精确性较高,并能够满足采棉机器人在实时行走过程中对图像分割的准确率和实时快速的要求,为采棉机器人的路径规划提供了快速、有效的新方法。

摘要： 图像分割是研究大脑结构和功能的基础。本文基于无监督机器学习提出一种面向猕猴脑图像的自动化分割算法。基于非线性最小二乘法构建主成分流程框架,确定图像分割聚类数,通过谱聚类算法得到感兴趣区域的分割结果,使用克莱姆相关系数和拓扑相似性指标交叉对比验证结果。实验结果表明,本文算法可靠性较好,能够自动、高效、快速的实现脑图像分割,具有广阔的优势和应用前景。

摘要： 目的对何首乌中的天然产物进行聚类分析,建立一种较为科学的天然产物聚类方法,为后续化合物挑选、药理筛选提供技术指导。方法从文献中收集并整理何首乌天然产物,选择二苯乙烯类、蒽醌类等主要类别化合物作为聚类对象,转换为简化分子线性输入规范(SMILES),并使用rdkit提取化合物的扩展连通性指纹和理化性质作为特征,经过方差筛选得到有效的特征。使用谱聚类算法,对何首乌天然产物进行聚类,以Calinski Harabaz(CH)指数作为评估指标,优化聚类参数。采用优化后最佳参数对化合物进行聚类,分析各类别的特点。随后对3种主要类别的化合物进行主成分分析,查看主要类别的空间分布。最后对主要类别化合物分别计算脂水分配系数和拓扑极性表面积,分析性质分布,验证聚类合理性。结果从文献中挑选13个类别的123个何首乌天然产物。经过特征提取和过滤,共得到207个特征。CH指数表明聚类数量为10,γ为0.004时聚类效果最佳。主成分分析显示3个主要成分组在空间中各自成簇,无重叠情况发生。经过聚类后,脂水分配系数和拓扑极性表面积2个指标倾向更加集中。结论谱聚类算法不仅能够区分何首乌天然产物中差异较大的化合物,也能较好地对复杂化合物进行聚类,聚类结果具有一定的合理性,能够为传统药理筛选提供新的思路。

摘要： 针对现代大型系统中系统日志的异常检测问题,提出了一种基于自动日志分析的异常检测方法(CSCM).该方法通过在预聚类下结合细化分析与多视角的异常提取过程,来实现系统日志的异常检测.首先,引入信息熵以提取日志信息量;其次,基于Canopy预聚类过程提取子集交叠数据,以缩小计算范围;利用谱聚类进行细化分析,并结合预聚类结果以优化初始化问题;最后,通过关联不同视角下的日志分析,分别提出显性与隐性异常对象的定义,基于稀疏簇质心的分析和异常度的计算,识别出异常日志.实验结果表明,提出的检测方法能够准确有效地识别系统日志中的异常值.

摘要： 多视角聚类通过利用多视角之间的互补性和一致性信息来提高聚类的性能。近年来受到越来越多的关注。为了及时掌握目前基于图的多视角聚类算法的研究现状与最新技术,对大量的、最新的多视角图聚类进行调查、归纳整理、分类及总结。根据多视角聚类涉及的算法机制和数学原理,并进一步分为基于图、基于网络和基于谱的聚类方法。不仅详细介绍了每一类算法数学原理、算法模型,而且还举例说明了这些算法的应用。报告了基于图的多视角聚类的现状,最后总结了各类算法的优缺点,并指出了当下的挑战以及未来研究发展的方向。

摘要： 随着大连接时代的到来,家庭客户市场成为各个通信运营商抢夺的重点.为充分挖掘潜在家庭客户,不断提高家庭市场占有率,本文利用主被叫次数、上下行短信条数、驻留位置、驻留时长等用户通信行为综合信息来构建邻接矩阵,对社区内不同家庭群之间的差异性进行分析,然后基于谱聚类算法设计模型,形成一种快速迭代的谱聚类社区发现方法,从而实现家庭客户分群.类似思路可扩展应用于大连接背景下的各类连接场景中.

摘要： 高光谱图像分类一直是高光谱图像处理领域的一个重点,然而由于高光谱图像具有维数众多、标记样本困难、高度非线性以及存在混合像元等特点,使得高光谱分类存在很大挑战.谱聚类算法是一种基于图的聚类算法,能够对任意形状的数据进行最优划分.它的分类思想为:找到数据集中类内相似度最大、类间相似度最小的划分.由于谱聚类算法在很大程度上避免了样本空间分布假设的局限性;它只需要计算样本数据之间的相似度矩阵,擅长处理稀疏数据的聚类问题;加上谱聚类本身涉及降维处理等特点,使得谱聚类算法对处理高维、稀疏的高光谱图像数据很有优势.

摘要： 传统的基于马尔科夫链模型的推荐算法研究的是对所有用户的转移矩阵立方体进行张量分解,存在数据稀疏和计算复杂度过高的问题.现实中,可以依据兴趣将用户分为不同的群组,为此提出一种基于马尔科夫链的谱聚类群组发现和张量分解的个性化推荐算法.首先通过谱聚类得到用户行为相似度较高的用户群组,降低数据稀疏性;然后通过张量分解每个群组的转移矩阵立方体得到群组中不同用户的个性化转移矩阵,降低计算复杂度,实现降维和降噪;最后结合用户在各个群组里相应的隶属度来得到每个用户最终的个性化转移矩阵,从而形成推荐列表.结果表明,本方法在降低数据稀疏性的同时提高了推荐结果的准确率和召回率.

摘要： 随着信息技术的快速发展，获取大数据量、高维数、非结构化的数据也变得越来越容易，为避免发生维数灾难，必须对数据进行维数约简。针对已有降维算法对非平坦,表面不光滑的高维数据进行维数约简时表现出的缺点,本文在分析线性判别分析(LDA)和局部线性嵌入(LLE)算法步骤的基础上,根据谱分析突出的判别能力和聚类函数求解邻域点的优化能力,推导出一种基于谱聚类的非线性降维算法SC-LLE.在两种不同的测试数据集上进行仿真实验,对SC-LLE算法和其它降维算法的降维效果进行比较,仿真结果表明SC-LLE算法对结构非平坦、表面非光滑的高维数据降维的有效性.

摘要： 针对已有谱聚类算法需要事先确定粒度参数以及聚类数，随机性强，不能取得很好的聚类效果等缺点，我们提出使用局部统计特性来快速准确地设置相似矩阵的粒度参数，并在分析相似矩阵的谱和特征向量与聚类之间关系的基础上，引入了质量分(quality score)的概念来自适应地确定聚类的数目。据此设计出一个新型的自适应谱聚类算法(self-adaptive spectralclustering algorithm，SASC算法)，最后通过在三个UCI数据集上的实验，验证了理论分析的正确性，与K-means算法，NJw算法和Li-Liu算法等经典聚类算法相比，SASC算法在聚类效果上有显著改善。

摘要： 谱聚类算法是基于谱图理论的一类新的聚类算法,能对任意形状的数据进行划分,已经被成功应用到图像分割等领域.但谱聚类很难正确发现密度相差比较大的簇,参数的选取要靠多次实验和个人经验.结合DBSCAN的思想,充分考虑数据的局部结构,提出了一种基于近邻自适应尺度的改进谱聚类算法.其基本思想是根据数据点的近邻分布,对每个点设置一个近邻自适应尺度,代替标准谱聚类算法中的全局统一尺度.近邻自适应尺度简化了参数的选取,使得新算法对密度的变化不敏感,对离群点有一定的鲁棒性,同时比标准谱聚类更适合任意形状的数据分布.通过与传统的聚类算法和常见的谱聚类算法做比较,在人工数据集和实际数据集UCI上的实验都验证了本算法能够获得更好的聚类效果。

摘要： 高光谱图像聚类算法可以从海量的高光谱图像数据中提取有用的信息,传统的聚类方法只单纯地利用了高光谱图像的空间信息或者光谱信息,并不能达到理想的聚类效果.基于此,提出了一种新的融合高光谱图像的空间信息和光谱信息的聚类方法,加权空—谱谱聚类(WSS-SC)算法,该方法通过引入样本点的近邻窗口尺度和光谱因子2个参数实现将高光谱图像的空间信息和光谱信息有效结合起来对高光谱图像进行重构,对重构后的图像进行谱聚类,有利于提高分类精度.在SalinasA数据库上的实验结果表明,由WSS-SC算法得到的OA为84.44％,kappa系数为0.8101,分别较K均值算法提高了17.54％,0.2012,聚类效果较好.

摘要： 高光谱遥感影像聚类是一项非常具有挑战性的工作,这是由其内部复杂的空间和光谱结构造成的.为了缓解这一问题,我们提出了一种新颖的基于空-谱特征的高光谱遥感影像稀疏子空间聚类算法.首先,通过将每一地物类别视为一个子空间,便可应用稀疏子空间聚类分割高光谱影像.然后,考虑到高光谱影像的光谱和空间特性,将其光谱相关性和丰富的空间信息融入稀疏子空间聚类模型当中以得到更为准确的表示系数矩阵,并利用系数矩阵构造邻接矩阵.最后,用谱聚类分割邻接矩阵得到最终的聚类结果.所提出算法的性能将通过数个实验予以验证.

摘要： 聚类分析是数据挖掘中一种非常重要的技术.聚类算法中的关键问题是相异度或相似度的度量,聚类结果直接依赖于相异度或相似度度量,尤其对于谱聚类方法更是如此.谱聚类算法是近期兴起的一种基于相似度矩阵的聚类算法.相比于传统的划分型聚类算法,谱聚类算法不受限于球状聚类簇,能够发现不规则形状的聚类簇.在已有的谱聚类算法中,高斯核相似度是最常用的相似度度量准则.基于高斯核相似度度量及其扩展形式,提出了一种加权的自适应的相似度度量,此相似度可以用于谱聚类以及其他基于相似度矩阵的聚类算法.新的相似度度量不仅能够描述多密度聚类簇中数据点间的相似度,而且可以降低离群点(噪声点)与其他数据点间的相似度.实验结果显示新的相似度度量可以更好地描述不同类型的数据集中数据点间的相似度,进而得到更好的聚类结果.

摘要： 自然最近邻居是一种与k最近邻居和∈最近邻居相似的无标度最近邻居，其形成过程与数据密度息密切相关，连接数据对象的所有自然最近邻居可以自动地形成一个关于数据集的关系图模型，即一个自适应领域图，此模型能很好地揭示流形数据的形状与形成机制。本文研究了自然最近邻居的相关特性，并以此来衡量数据集的分布特性，同时，将自然最近邻居的连接方式与测地线距离计算相结合用于形成一个对角块形状的数据相似度矩阵，以此来提高谱图聚类算法的性能，实验以谱图聚类算法MNCut为例说明了此方法的有效性。

摘要： 本发明公开了一种基于归一化谱聚类和约束谱聚类的两阶段主动解列方法，在第一阶段中，利用归一化谱聚类来识别同调机群，并利用这些同调机群形成成对约束；第二阶段则使用约束谱聚类来寻找满足成对约束的、具有最小有功潮流冲击的解列断面。当系统需要被解列为多个孤岛时，使用递归二分法实现。本发明算法考虑了发电机同调和最小有功潮流冲击两个因素，可以在不化简系统拓扑的情况下，对主动解列问题实现实时计算。

摘要： 一种基于谱聚类的单分子电输运数据的聚类方法，涉及单分子电输运数据。收集所有的单分子电导‑距离曲线数据，对每一条曲线数据都做一维电导柱状统计图；根据感兴趣的电导区间，选取对应区间的电导柱状统计图，作为谱聚类的数据集；根据谱聚类的算法流程，构造相似矩阵A；利用谱聚类的标准流程，选定聚类数K从2～M，对一维电导柱状统计图做聚类，聚成K类；根据CH指标的最大值，获得最优的聚类数Kopt；保留聚类数为Kopt的聚类结果，即得最终的最优的单分子电导‑距离曲线数据的聚类结果。在测量某个单分子电导中，可准确而有效的获知该单分子最有可能的几套电导值，为研究单分子电输运性质提供可靠的数据资料。

摘要： 本发明涉及一种基于改进谱聚类算法的文本聚类方法，包括：对待聚类文档集依次进行分词、去停用词以及提取关键词处理；创建文本相似度矩阵、邻接矩阵、度矩阵以及拉普拉斯矩阵；计算拉普拉斯矩阵的特征值和特征向量，得到特征矩阵；采用经典聚类方法对特征矩阵进行聚类，得到对应的聚类结果；若已知类别个数，则结合聚类结果以及提取的关键词，基于TF‑IDF算法提取出类别关键词；若未知类别个数，则依次调整聚类参数，以得到对应的多个调整聚类结果，对多个调整聚类结果进行评估，选取出最优的聚类结果；输出聚类结果及对应的类别关键词。与现有技术相比，本发明针对已知或未知类别数的情况，能够对文本进行聚类，同时能够输出对应于各类别的关键词。

摘要： 本发明公开了一种基于谱聚类的子空间聚类算法的数据处理方法及装置。其中，该方法包括：确定谱聚类算法，确定待处理的数据集合的相似度矩阵的稀疏性正则项，将稀疏性正则项代入谱聚类算法，得到子空间聚类算法，根据子空间聚类算法对待处理的数据集合进行处理。通过谱聚类算法捕获数据的自表示矩阵和指标矩阵之间的自然关系，使数据具有有利于聚类的一些特性，进而通过稀疏性加权值，纳入谱聚类算法，进一步提高聚类的有效性，从而解决了相关技术中没有充分利用相似度矩阵与数据标签之间的关系，聚类性能较差，导致数据处理的效果差的技术问题。

摘要： 一种基于谱聚类和增强学习的自适应人脸图像聚类方法，包括以下步骤：1)应用深度卷积神经网络DCNN实现对数据库中所有人脸图片的特征表示；2)应用谱聚类算法实现对图像表征的聚类；3)基于增强学习算法自适应搜索最优的聚类数目和谱聚类降维参数，首先，给定期望聚类搜索范围，设定搜索步长及搜索起始点；接着执行Q‑Learning算法，在搜索范围内尝试所有可能的调参行为，并选择使得聚类性能最优的行为给予最大正向回报；直至所有行为都无法使得性能优化，或满足最大迭代次数，结束搜索；多次训练后搜索结束点即为最优参数的设定值。本发明通过动态调参和自适应搜索，能够帮助找到全局最优聚类数目和降维数，提升人脸图像聚类性能。

摘要： 本发明公开一种基于DTW‑LASSO‑谱聚类的消费者聚类方法，采用DTW对不同待聚类消费者样本的时序特征相似性进行刻画，同时根据不同时间段消费者消费模式变动的特点，使用LASSO对数据所在时间段有效特征进行选择，之后给出了同时段DTW‑谱聚类与异时段DTW‑谱聚类两种实现，用户可根据实际情况自行选择。若用户选择同时段谱聚类，则得到同一时间段内不同消费者样本的有效分类；若用户选择异时段谱聚类，则通过多日聚类结果取交集挖掘一段时间内长久稳固的消费者消费轮动关系。

摘要： 本发明公开了一种基于归一化谱聚类和约束谱聚类的两阶段主动解列方法，在第一阶段中，利用归一化谱聚类来识别同调机群，并利用这些同调机群形成成对约束；第二阶段则使用约束谱聚类来寻找满足成对约束的、具有最小有功潮流冲击的解列断面。当系统需要被解列为多个孤岛时，使用递归二分法实现。本发明算法考虑了发电机同调和最小有功潮流冲击两个因素，可以在不化简系统拓扑的情况下，对主动解列问题实现实时计算。

摘要： 本发明公开了一种基于谱聚类的未知协议聚类分析方法、装置及介质，其中方法包括以下步骤：根据序列长度阈值l*对样本的协议代表序列进行处理；使用两个字节序列之间最长公共子序列的长度来度量样本之间的相似性，计算相似性矩阵，构建相似性连接图；构建邻接矩阵W和度矩阵D；计算拉普拉斯矩阵L＝D‑W；求取拉普拉斯矩阵L的k个最小特征值所对应的特征向量ν1,ν2,…,vk，其中νi∈Rn×1；构造矩阵V＝[ν1,ν2,...,νk]∈Rn×k；将矩阵V的行向量作为样本，使用k‑means聚类算法将这n个样本聚类成k类；输出聚类后的结果C＝(C1,C2,...,Ck)。本发明采用谱聚类算法保证模型在对多样化流量聚类时的鲁棒性，保证了模型的稳定性。

摘要： 本发明公开了一种基于共正则化谱聚类的不完整多视图聚类方法和系统，涉及计算机视觉和模式识别的技术领域，包括：获取不完整多视图数据集，将每个视图转换为数据矩阵；对数据矩阵进行降维处理，获得系数矩阵；基于系数矩阵的自表示特性，构造相似矩阵，进而计算拉普拉斯矩阵；基于拉普拉斯矩阵获得每个视图的聚类指示矩阵；对聚类指示矩阵进行核对齐，获得一致聚类指示矩阵；最终构建不完整多视图聚类的目标函数并优化求解，获得最优一致聚类指示矩阵；将最优一致聚类指示矩阵输入现有的分类算法中，获得不完整多视图的聚类结果。本发明在多视图不完整的情况下，深度挖掘视图数据的互补性和一致性信息，提高了不完整多视图的聚类效果。

摘要： 本申请涉及一种基于低秩表征和改进谱聚类的单细胞RNA测序数据聚类方法，它包括如下步骤：基于单细胞RNA测序数据矩阵，建立联合低秩表示和自适应图正则化的数学模型；采用交替方向乘子法，构建增广拉格朗日函数，对每个变量进行单独优化，得到细胞与细胞间相似性矩阵S；采用谱聚类方法对相似性矩阵S进行聚类，得到对单细胞的分类。本发明可有效的将低秩表征来刻画数据全局结构，结合谱聚类模型将数据非线性关联特征自适应的结合起来建立优化模型，并且实现对单细胞的细胞类型分类；实验数值实验结果表明，本发明可以对单细胞RNA测序数据进行有效聚类。