检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于类簇合并的无参数密度峰值聚类算法

现代电子技术 2024年第8期47卷 1-8页

作者：刘天娇王胜景袁永生河海大学数学学院江苏南京211100

密度峰值聚类算法(DPC)通过决策图直观地找到类簇中心进而完成聚类,是一种简单高效的聚类算法。然而,DPC算法的截断距离和类簇中心都是人为确定的,受主观影响较大,具有不确定性。针对上述问题,提出一种基于类簇合并的无参数密度峰值聚... 详细信息

密度峰值聚类算法(DPC)通过决策图直观地找到类簇中心进而完成聚类,是一种简单高效的聚类算法。然而,DPC算法的截断距离和类簇中心都是人为确定的,受主观影响较大,具有不确定性。针对上述问题,提出一种基于类簇合并的无参数密度峰值聚类算法(NDPCCM)。首先根据样本点两两之间的相似度的分布特征将其分为类内相似度和类间相似度两种类型,并利用类内相似度自动确定截断相似度,避免了人为设置参数;接着根据簇中心权值的下降趋势自动选择初始类簇中心,得到初始类簇;最后通过合并初始类簇对初步聚类结果进行优化,提高了聚类的准确性。在人工数据集和UCI真实数据集上,将所提算法与DPC、DBSCAN、K-means算法进行对比实验。结果表明所提算法无需输入参数就能够自动得到类簇,且聚类性能优于其他算法。

关键词：聚类分析密度峰值聚类算法初始类簇类簇合并相似度聚类性能

维普期刊数据库

融合优化可调Q因子小波变换的改进密度峰值聚类算法

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2024年第2期41卷 466-472页

作者：史曼曼宋朝炀张景祥江南大学理学院江苏无锡214122

为提升时间序列的聚类精度,提出一种融合优化可调Q因子小波变换的改进密度峰值聚类(improved density peaks clustering based on optimal tunable Q-factor wavelet transform,OTQWT-IDPC)算法,该算法利用可调Q因子小波变换的能量优化... 详细信息

为提升时间序列的聚类精度,提出一种融合优化可调Q因子小波变换的改进密度峰值聚类(improved density peaks clustering based on optimal tunable Q-factor wavelet transform,OTQWT-IDPC)算法,该算法利用可调Q因子小波变换的能量优化选择策略及改进粒子群优化算法确定的最佳Q因子分解时序信号,通过最优特征子带的能量、均值、标准差和模糊熵构建特征子空间,并采用主成分分析降低特征维度,以减少特征冗余。同时,考虑到距离较远而周围密集程度较大的K近邻样本对局部密度的贡献率,引入权重系数及K近邻重新定义DPC的局部密度,并利用共享最近邻描述样本间的相似性。在BONN癫痫脑电信号和CWRU滚动轴承数据集上进行对比实验,结果表明,该算法的聚类精度分别为95%、94%,且Jacarrd、FMI和F_(1)值指标均优于其他对比算法,证明了OTQWT-IDPC算法的有效性。

关键词：密度峰值聚类算法可调Q因子小波变换粒子群优化算法主成分分析

维普期刊数据库

基于流形距离的自适应密度峰值聚类算法研究及应用

在线全文

学校读者我要写书评

暂无评论

基于流形距离的自适应密度峰值聚类算法研究及应用

作者：熊静文山东师范大学

学位级别：硕士

聚类分析是重要的无监督学习方法之一,也是数据挖掘的一个基本分支。到目前为止,聚类分析已被广泛应用于各种领域,如数据挖掘、机器学习、模式识别、图像分割等等。密度峰值聚类算法是数据挖掘以及聚类分析研究领域最为经典的聚类算法之... 详细信息

聚类分析是重要的无监督学习方法之一,也是数据挖掘的一个基本分支。到目前为止,聚类分析已被广泛应用于各种领域,如数据挖掘、机器学习、模式识别、图像分割等等。密度峰值聚类算法是数据挖掘以及聚类分析研究领域最为经典的聚类算法之一,在2014年发表于Science期刊。不同于著名的K-means等聚类算法,密度峰值聚类算法不需要迭代就能完成聚类过程,这种“单步”聚类方法逐渐成为聚类分析领域的研究热点。然而,密度峰值聚类算法在处理某些特殊形状的数据集时效果不佳。此外,密度峰值聚类算法易受参数的影响,并在分配过程中容易产生连锁分配错误。为了解决上述缺陷,本文提出了两种改进的密度峰值聚类算法,并在大量实验和应用的基础上验证了改进算法的可行性和有效性。首先,本文提出了一种新颖的基于自然邻居和流形距离的密度峰值聚类算法。该算法引入了自然搜索方法来更新每个数据点的局部密度的计算方法,并引入流形距离度量来优化每个数据点的相对距离计算方法。此外,该算法应用了流形距离度量对剩余点的分配策略进行了改进,间接减少了连锁分配错误产生的影响。该算法创新地结合了自然邻居理论和流形距离理论并将其应用于原始密度峰值聚类算法,以获得更好的聚类效果。最后,本文基于改进的基于自然邻居和流形距离的密度峰值聚类算法在人工合成数据集和真实世界数据集上进行了大量实验,实验结果验证了该算法的有效性。其次,本文提出了一种新颖的基于连通密度和流形距离的密度峰值聚类算法。该算法基于流形距离来计算数据对之间的距离矩阵并结合流形距离和K近邻方法计算每个数据点的连通局部密度。此外,该算法使用距离惩罚策略对流形距离进行惩罚,并进一步计算数据点的流形距离。该算法创新地提出了连通密度和流形距离,对原始密度峰值聚类算法进行了改进。然后,该算法将流形距离作为相似性度量应用至剩余点的分配策略中,从而减少了链式分配错误对聚类结果产生的影响。最后,本文将改进的基于连通密度和流形距离的密度峰值聚类算法应用在人工合成数据集和真实世界数据集上,实验结果同样验证了改进算法的可行性。最后,本文将所提出的算法应用于文本聚类和人脸识别聚类任务中。根据实验结果可以看出,改进的基于自然邻居和流形距离的密度峰值聚类算法在文本聚类的实验结果验证了该算法的可行性和有效性。此外,改进的基于连通密度和流形距离的密度峰值聚类算法在人脸识别聚类任务中的应用实验同样验证了该算法的鲁棒性。

关键词：数据挖掘聚类分析密度峰值聚类算法文本聚类人脸识别聚类

密度峰值聚类算法的改进及在社区检测中的应用研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

密度峰值聚类算法的改进及在社区检测中的应用研究

作者：张诗晨河北大学

学位级别：硕士

密度峰值聚类(DPC)是一种可以高效处理任意形状数据的聚类算法,它已成为机器学习与数据挖掘的研究热点,且在信号处理、图像分割、社区检测、生物制药等各领域得到较好的应用。然而,该方法存在着一些不足,如在高维空间中难以辨别密度峰值... 详细信息

密度峰值聚类(DPC)是一种可以高效处理任意形状数据的聚类算法,它已成为机器学习与数据挖掘的研究热点,且在信号处理、图像分割、社区检测、生物制药等各领域得到较好的应用。然而,该方法存在着一些不足,如在高维空间中难以辨别密度峰值点,以及单步分配策略容易忽略周围邻居信息导致的错误标签传递。为此,针对上述问题,本文对密度峰值聚类的改进方法及在社区检测中的应用进行了研究。本文主要研究的内容如下:1.针对密度峰值聚类算法在高维空间中适用性差和易出现错误标签传递的问题,本文提出孤立诱导密度峰值聚类算法(IKDC)。针对孤立核函数能更准确地识别出高维数据点间的相似性,提出一种基于孤立核函数的度量方法,使其作为新的距离度量。对于错误标签传递的问题,设计了一种K-诱导分配策略。该策略考虑周围邻居点的近邻信息,通过构建近邻权重差异来计算K-诱导相似度,将剩余点分配到K-诱导相似度最大点所在的边界域。2.针对社区检测算法对社区中心选择的敏感性和社区结构的不稳定性,提出融合自适应密度峰值聚类与证据理论的社区检测(SECD),使其自适应地找到合适的社区中心,加强社区结构的稳定性。为将DPC算法能更好应用于社区检测中,提出隐性和显性连接强度,利用不同连接强度将网络的邻接矩阵或者连接权重矩阵转换为距离矩阵。针对社区中心选择的敏感性,引入数据场理论来描述空间内点的分布,利用基尼指数构造优化函数,通过遗传算法找到截止距离的最优解,利用四分位数和标准偏差找到社区中心选取的最优标准,以一种自适应的方式确定社区中心。针对社区结构的不稳定性,引入证据理论,考虑剩余节点周围显性和隐性节点对其的影响,利用mass函数来构造其周围显性或者隐性节点支持其属于某一社区的置信水平,为剩余点的分配提供证据支持。3.在UCI数据集、人工基准网络(LFR)和真实世界网络上进行了实验对比。在多个UCI数据集上的实验结果表明,IKDC算法在准确率(ACC)、标准化互信息(NMI)和调兰德系数(ARI)这三个聚类指标上均表现良好,尤其是当数据维度较高或者分布不均匀时尤为明显。在LFR网络和真实世界网络上的实验结果表明,SECD算法在NMI和模块度这两个聚类指标上均表现良好。相对于EADP算法,SECD算法平均在NMI上提升了15%,在模块度上提升了10%。

关键词：密度峰值聚类算法孤立核函数社区检测数据场理论证据理论

密度峰值聚类算法改进研究及其在复杂网络社区发现上的应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

密度峰值聚类算法改进研究及其在复杂网络社区发现上的应用

作者：杨轩西南大学

学位级别：硕士

近年来,随着互联网技术的发展以及信息搜集工具的进步,我们的生活已经被各种各样的数据包围。数据信息已然成为了一种十分重要的资源,对人们有着十分重要的意义。如何从海量的,纷繁复杂的数据中提取有用的信息成为了科学界与产业界共同... 详细信息

近年来,随着互联网技术的发展以及信息搜集工具的进步,我们的生活已经被各种各样的数据包围。数据信息已然成为了一种十分重要的资源,对人们有着十分重要的意义。如何从海量的,纷繁复杂的数据中提取有用的信息成为了科学界与产业界共同关注的热点。因此,各式各样的数据挖掘方法被不断地提出。聚类,作为数据挖掘领域地一个重要的技术手段,它可以在无任何先验知识的情况下,通过探究数据之间的内在关系来将一组对象进行划分归类。该技术已被广泛应用于图像处理、模式识别、生物信息学等诸多领域。由于近年来数据挖掘领域的飞速发展,各式各样的应用场景使得聚类算法需要适应新的需求。2014年,《Science》上发表了一种新型聚类算法,称为密度峰值聚类算法(Density Peaks Clustering,DPC)。密度峰值聚类算法主要基于两个核心的观点:(1)聚类中心点往往是自身密度比其周围点的密度都大的点;(2)不同聚类中心点间的距离要尽可能大。当聚类中心被找出后,剩下的数据点就分配给距离其最近的更高密度点所在的簇中,从而形成一个个簇。该算法因其具有原理简单,易于实现,可处理任意形状数据集等优势,受到了研究学者们的关注,成为了聚类领域的一个新的研究热点。然而,它也存在着一些缺陷,如在处理密度相差较大的簇时无法识别出聚类中心,以及在数据点分配过程中可能会出现的连带错误。因此,本文主要对于密度峰值聚类算法的局限性进行了创新性的改进,并将其应用于社区发现中。本文主要研究的内容如下:针对密度峰值聚类算法的局限性,本文提出了一种基于广义近邻相似度的密度峰值聚类算法(Density Peak Clustering algorithm based on Generalized Nearest Neighbor Similarity,GNSDPC)。首先提出了广义近邻相似度来度量数据点之间的相似性,该度量方式有效利用了数据点周围的局部信息,更能准确地刻画出节点与其周围节点的联系。基于此,我们得到的新的局部密度度量方式,能够更准确地反应出节点所处区域点数据点分布的密集程度。而在点分配过程中,我们设计了一种多步分配策略,为不同的点设计不同的分配策略,有效地避免了传统DPC算法数据点分配过程中出现的连带错误,增加了算法的鲁棒性。在人工合成数据集以及UCI数据集上的实验结果显示了本文提出算法的优势。将密度峰值聚类算法应用于社区发现中,提高划分出社区结构的稳定性。首先基于Jaccard距离为连接两个节点的边赋予权重,将无权图转变为加权图,然后以此得到距离矩阵。同时,基于节点的度与局部聚类系数得到各个节点的密度值。接着通过一种自适应的方式自动确定各个社区中心。在之后的节点划分过程中,我们引入了证据理论的思想。依照点与各个社区中心的距离构建BPA(Basic Probability Assignment)函数,当某个点分配时,将其邻接节点对应的BPA函数加权融合,融合之后的BPA函数中信度最高值对应的社区即为该点所属的社区。通过在GN人工网络和真实网络上的实验结果证明了所提出算法的有效性。

关键词：密度峰值聚类算法相似性度量社区发现证据理论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

结合密度比和系统演化的密度峰值聚类算法

计算机工程与应用 2022年第21期58卷 75-82页

作者：曹俊茸张德生肖燕婷西安理工大学理学院西安710054

密度峰值聚类算法(DPC)能够有效地进行非球形数据的聚类,该算法需要输入截断距离,人工截取聚类中心,导致DPC算法的聚类效果有时较差。针对这些问题,提出一种结合密度比和系统演化的密度峰值聚类算法(DS-DPC)。利用自然最近邻搜索得出各... 详细信息

密度峰值聚类算法(DPC)能够有效地进行非球形数据的聚类,该算法需要输入截断距离,人工截取聚类中心,导致DPC算法的聚类效果有时较差。针对这些问题,提出一种结合密度比和系统演化的密度峰值聚类算法(DS-DPC)。利用自然最近邻搜索得出各样本点的邻居数目,根据密度比思想改进密度计算公式,使其能够反映周围样本的分布情况;对局部密度与相对距离的乘积进行降序排列,根据排序值选出聚类中心,将剩余样本按照DPC算法的分配策略进行聚类,避免了手动选择聚类中心的主观性;利用系统演化方法判断聚类结果是否需要合并或分离。通过在多个数据集上进行实验,并与其他聚类算法进行比较,实验结果表明,该算法具有较好的聚类效果。

关键词：密度峰值聚类算法自然最近邻密度比系统演化方法聚类

维普期刊数据库

自适应密度峰值聚类算法研究及其在入侵检测中的应用

在线全文

学校读者我要写书评

暂无评论

自适应密度峰值聚类算法研究及其在入侵检测中的应用

作者：郝延婷西北师范大学

学位级别：硕士

密度峰值聚类算法（Density Peaks Clustering,DPC）是一种较新的基于密度的聚类算法,该算法具有输入参数少、可识别任意形状簇等优点,已被广泛应用于智能识别、图像分割和入侵检测等领域中。但其缺点也比较明显,首先需要人工选择聚类中... 详细信息

密度峰值聚类算法（Density Peaks Clustering,DPC）是一种较新的基于密度的聚类算法,该算法具有输入参数少、可识别任意形状簇等优点,已被广泛应用于智能识别、图像分割和入侵检测等领域中。但其缺点也比较明显,首先需要人工选择聚类中心,其次对高维数据聚类效果不佳。本文致力于对DPC算法的研究和优化,并将之应用于入侵检测。具体的研究内容如下:（1）针对DPC算法需要人工选取聚类中心的问题,提出一种自动确定聚类中心的密度峰值聚类算法（Density Peaks Clustering Algorithm by Automatic Determination of Cluster Centers,A-DPC）。首先,将每个数据的局部密度和相对距离相乘,并利用四分位距和标准差求出阈值,将大于该阈值的点作为初始聚类中心。然后,以初始聚类中心为节点,构建非连通的无向加权图G。再用深度优先搜索的方法得到图G的多个连通分支,合并各个连通分支上相对应的节点,得到最终的聚类结果。实验结果表明,A-DPC算法不仅可以自动确定聚类中心,且具有较好的聚类性能。（2）针对A-DPC算法对高维数据聚类效果不佳的问题,提出一种拉普拉斯特征映射的自适应密度峰值聚类算法（Adaptive Density Peaks Clustering Algorithm of Laplace Eigenmaps,LA-DPC）。首先,引入全局邻域半径对拉普拉斯特征映射方法的参数选取和权值函数进行改进,将高维空间中的特征映射到低维空间,得到能更好地反映数据全局结构的低维表示。然后,在该低维表示中进行聚类分析,提高了A-DPC算法处理高维数据的能力。实验结果表明,LA-DPC算法可以在高维数据上取得较好的聚类效果。（3）针对当前入侵检测技术存在的检测率较低和误检率较高的问题,将LADPC算法应用于入侵检测,提出一种新的自适应密度峰值聚类算法的入侵检测模型。首先,利用改进后的拉普拉斯特征映射方法对入侵检测数据进行降维,降低数据集中冗余特征对检测结果的影响。然后,使用A-DPC算法对入侵数据进行聚类分析,得到规则库,提高了模型对入侵数据的检测效率。实验结果表明,引入LA-DPC算法的入侵检测模型不仅有较高的检测率,还有较低的误检率。

关键词：密度峰值聚类算法无向加权图拉普拉斯特征映射入侵检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进果蝇优化的密度峰值聚类算法

基于改进果蝇优化的密度峰值聚类算法

作者：杨爽爽沈阳工业大学

学位级别：硕士

近年来,数字经济飞速发展,特别是5G、人工智能、互联网的普及和应用,使得数据量大幅增长。同时,随着“东数西算”工程的全面启动,对于东部地区数据的计算不仅有科学计算和大数据处理的需求,而且还有增长更快的人工智能训练和推理计算需... 详细信息

近年来,数字经济飞速发展,特别是5G、人工智能、互联网的普及和应用,使得数据量大幅增长。同时,随着“东数西算”工程的全面启动,对于东部地区数据的计算不仅有科学计算和大数据处理的需求,而且还有增长更快的人工智能训练和推理计算需求。所以就更凸显了作为数据分析有效方式的数据挖掘技术的作用。聚类作为数据挖掘中的一种重要方法,可以挖掘出数据内部的结构信息和相似关系,并将数据对象分为若干个簇。密度峰值聚类算法（Clustering by Fast Search and Find of Density Peaks,DPC）是一种典型高效的聚类方法,可以直观快速地识别任意形状数据集中的类簇,并能高效的分配样本点及有效的剔除离群点,对大规模数据集具有良好的适用性。但该算法的截断距离参数需人工选取,参数选取对聚类结果具有较大的影响。针对DPC算法的不足,本文提出一种基于改进果蝇优化的密度峰值聚类算法。具体工作如下:首先,通过Tent混沌映射初始化果蝇种群,利用Tent混沌序列的特有性质来提高初始种群多样性,增强算法全局探索的能力,并引入动态步长因子与柯西变异策略改进基本果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）的更新机制,加强局部勘探能力,使算法逃出局部最优,6个基准测试函数的实验仿真结果表明改进的FOA算法在收敛速度和求解精度上有明显提高。其次,从随机算法收敛准则的角度对改进FOA算法的收敛性进行了理论分析。然后,为解决DPC算法截断距离参数需人工干预的缺陷,将改进FOA算法与DPC算法融合成新算法,利用改进FOA算法较强的寻优能力找到最佳截断距离。实验结果表明,新算法在4个数据集上的聚类性能均有改善,而且具有更优的性能指标,有效抑制了手动选取截断距离参数带来的影响问题。最后,将改进后的密度峰值聚类算法应用到了经济财务数据集的分析中。对从国泰安数据库中获得的6个能反映企业发展趋势的财务指标数据进行聚类分析,以划分各企业的类型,使企业投资者作出合理正确的选择。实验结果表明本文算法在经济领域的数据分析中具有良好的应用价值。

关键词：密度峰值聚类算法果蝇优化算法柯西变异收敛性经济指标

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于密度调整的密度峰值聚类算法研究

基于密度调整的密度峰值聚类算法研究

作者：曹俊茸西安理工大学

学位级别：硕士

2014年,意大利学者Alex Rodriguez等人提出了一种新的聚类算法——密度峰值聚类算法(Clustering by Fast Search and Find of Density Peaks),简称 DPC。该算法只需输入一个参数,就能够对各种类型的数据集进行聚类,并且能够剔除噪声数... 详细信息

2014年,意大利学者Alex Rodriguez等人提出了一种新的聚类算法——密度峰值聚类算法(Clustering by Fast Search and Find of Density Peaks),简称 DPC。该算法只需输入一个参数,就能够对各种类型的数据集进行聚类,并且能够剔除噪声数据的影响,取得了较好的聚类效果。自从该算法提出以来,受到了国内外学者的广泛关注。虽然DPC算法已经成为被广泛接受的聚类算法,但该算法仍然存在许多不足:(1)算法时间复杂度较高,对较大规模数据集的聚类效果不理想。(2)聚类过程不是自适应的,无法根据数据集自动调整参数。(3)聚类准确性容易受到数据结构的影响,会导致许多簇的丢失、“假峰”和“无峰值”现象的出现。(4)高维复杂数据集适用性差,由于高维数据集中含有许多不相关变量,算法没有对这些变量进行处理,就会对聚类效果产生一定的影响。针对这些问题,本文对DPC算法进行了深入研究,对其存在的问题进行了改进,提出了优化的改进算法,具体的研究内容和研究结果如下:1.提出了一种结合密度比和系统演化的密度峰值聚类算法(DS-DPC)。首先,利用自然最近邻搜索得出各样本点的邻居数目,根据密度比思想改进密度计算公式,使其能够反映周围样本的分布情况;其次,对局部密度与相对距离的乘积进行降序排列,选出合适的聚类中心,将剩余样本按照DPC算法的分配策略进行聚类,避免了手动选择聚类中心的主观性;最后,利用系统演化方法判断聚类结果是否需要合并或分离。通过在多个数据集上进行实验,并与其他聚类算法进行比较,实验结果表明,DS-DPC算法具有较好的聚类效果。2.提出了一种领域密度调整的密度峰值聚类算法(DPC-DDA)。首先,利用样本领域内的密度差度量样本之间的相似性,更准确的反映周围样本的差异;其次,用密度敏感距离代替欧氏距离,计算出的距离会使不同类簇之间的样本距离较大,同一类簇中的样本距离较小;最后,将样本的类内类外划分指标作为聚类有效性指标来确定聚类中心。通过在多个数据集上进行实验,并与DPC算法和其他基于密度的聚类算法DBSCAN、OPTICS、FKNN-DPC、SNN-DPC算法进行比较,实验结果表明,DPC-DDA算法在大多数数据集上的聚类效果有所提高。

关键词：密度峰值聚类算法密度比系统演化方法相似性聚类指标