检索结果-南通市图书馆

基于K近邻和优化分配策略的密度峰值聚类算法

在线全文

学校读者我要写书评

暂无评论

软件学报 2022年第4期33卷 1390-1411页

作者：孙林秦小营徐久成薛占熬河南师范大学计算机科学与信息工程学院河南新乡453007 教育人工智能与个性化学习河南省重点实验室河南新乡453007

密度峰值聚类(density peak clustering,DPC)是一种简单有效的聚类分析方法.但在实际应用中,对于簇间密度差别大或者簇中存在多密度峰的数据集,DPC很难选择正确的簇中心;同时,DPC中点的分配方法存在多米诺骨牌效应.针对这些问题,提出一... 详细信息

密度峰值聚类(density peak clustering,DPC)是一种简单有效的聚类分析方法.但在实际应用中,对于簇间密度差别大或者簇中存在多密度峰的数据集,DPC很难选择正确的簇中心;同时,DPC中点的分配方法存在多米诺骨牌效应.针对这些问题,提出一种基于K近邻(K-nearest neighbors,KNN)和优化分配策略的密度峰值聚类算法.首先,基于KNN、点的局部密度和边界点确定候选簇中心;定义路径距离以反映候选簇中心之间的相似度,基于路径距离提出密度因子和距离因子来量化候选簇中心作为簇中心的可能性,确定簇中心.然后,为了提升点的分配的准确性,依据共享近邻、高密度最近邻、密度差值和KNN之间距离构建相似度,并给出邻域、相似集和相似域等概念,以协助点的分配;根据相似域和边界点确定初始聚类结果,并基于簇中心获得中间聚类结果.最后,依据中间聚类结果和相似集,从簇中心到簇边界将簇划分为多层,分别设计点的分配策略;对于具体层次中的点,基于相似域和积极域提出积极值以确定点的分配顺序,将点分配给其积极域中占主导地位的簇,获得最终聚类结果.在11个合成数据集和27个真实数据集上进行仿真实验,与最新的基于密度峰值的聚类算法作对比,结果表明:所提算法在纯度、F度量、准确度、兰德系数、调整兰德系数和标准互信息上均表现出良好的聚类性能.

关键词：密度峰值聚类 K近邻簇中心积极值分配策略

基于迁移学习的GH159螺栓热镦后头部缺陷识别

在线全文

学校读者我要写书评

暂无评论

系统科学与数学 2022年第1期42卷 175-192页

作者：黎磊马钰淋胡刚孔雪峰杨军许彦伟北京航空航天大学可靠性与系统工程学院北京100191 中国船舶重工集团公司第七二二研究所武汉430205 航天精工股份有限公司天津300300

为准确进行GH159螺栓热镦后头部缺陷识别,提出了基于迁移学习的缺陷识别方法,其中,不同场景亮度下的数据集分别设置为迁移学习的源域,目标域.首先,考虑域条件分布的多簇特点,使用K-means算法对同类缺陷数据进行簇划分,确定簇中心,并基... 详细信息

为准确进行GH159螺栓热镦后头部缺陷识别,提出了基于迁移学习的缺陷识别方法,其中,不同场景亮度下的数据集分别设置为迁移学习的源域,目标域.首先,考虑域条件分布的多簇特点,使用K-means算法对同类缺陷数据进行簇划分,确定簇中心,并基于其构造新的分布差异度量;其次,为有效提升迁移学习计算效率,使用簇中心间距离以及各簇中心与该簇样本间距离,建立新的类内差异度量;最后,以分布差异度量与类内差异度量的加权和最小化为目标,准确识别不同场景亮度下的缺陷.针对所提出方法的参数设定需求,基于反向验证理念设计伪精度,并以其最大化进行参数确定.基于收集的GH159螺栓热镦后头部缺陷数据集,开展缺陷识别分析应用,验证所提出方法的有效性.

关键词：迁移学习缺陷识别簇中心分布差异类内差异

在线全文

学校读者我要写书评

暂无评论

基于质心自适应选取的密度万有引力聚类算法

计算机工程与设计 2022年第12期43卷 3396-3405页

作者：陈金鹏李睿熙杨然安俊秀成都信息工程大学并行计算实验室四川成都610225 成都锦城学院计算机与软件学院四川成都611731

为解决典型的K-means算法中存在的k值、初始簇中心难以确定等问题,提出一种基于质心自适应选取的密度万有引力聚类算法CASG-means算法。通过质心自适应选取策略对初始簇中心进行选择,将数据集中的点划分为离群点和非离群点,将非离群点... 详细信息

为解决典型的K-means算法中存在的k值、初始簇中心难以确定等问题,提出一种基于质心自适应选取的密度万有引力聚类算法CASG-means算法。通过质心自适应选取策略对初始簇中心进行选择,将数据集中的点划分为离群点和非离群点,将非离群点按照改进密度万有引力吸引的方式进行分配,删除空簇,自适应得到k个簇和离群点。用该算法解决K-means算法中的参数难以确定问题,将仿真结果与其它算法进行比较,验证了该算法的迭代次数、耗时和自适应聚类效果优于其它改进算法。

关键词：聚类密度质心自适应万有引力选取策略簇中心

在线全文

学校读者我要写书评

暂无评论

半监督学习算法下数字化信息归并分类仿真

计算机仿真 2023年第12期40卷 502-505,562页

作者：胡建平严永康南通大学江苏南通226019

由于数字化信息具有无限性、高维度以及不平衡等特征,难以准确分类,为此提出基于半监督学习的数字化信息归并分类算法。检测原始数字化信息中的概念漂移数据,滤除噪声数据,降低对后续分类结果精度的影响;利用半监督学习训练K均值聚类算... 详细信息

由于数字化信息具有无限性、高维度以及不平衡等特征,难以准确分类,为此提出基于半监督学习的数字化信息归并分类算法。检测原始数字化信息中的概念漂移数据,滤除噪声数据,降低对后续分类结果精度的影响;利用半监督学习训练K均值聚类算法,利用训练后算法训练数据块,构建基础分类器,通过对目标函数求解获得最优聚类中心;构建基于SDClass算法的归并分类器,计算每个数据块类标签的估计值,以及估计值与簇中心间距离,找出最近的簇,将对应的数据块划分到该簇中,实现数字化信息的归并分类。选取6种不同类型的数据集对所提方法展开实验测试,结果表明,所提方法针对不同类型的数据集均可实现高精准分类,且具有较高的分类效率。

关键词：半监督学习数字化信息归并分类均值聚类算法簇中心

基于密度Canopy的高维模糊C均值聚类推荐算法

在线全文

学校读者我要写书评

暂无评论

基于密度Canopy的高维模糊C均值聚类推荐算法

作者：王海岚桂林理工大学

学位级别：硕士

随着互联网技术的不断发展,数据和信息也越来越多,用户获取有价值的信息越来越难。为了帮助用户迅速找到需要的信息,推荐算法成为了非常重要的技术,得到了越来越广泛的重视。模糊C均值因其算法简洁灵活、聚类高效而被应用于推荐算法,但... 详细信息

随着互联网技术的不断发展,数据和信息也越来越多,用户获取有价值的信息越来越难。为了帮助用户迅速找到需要的信息,推荐算法成为了非常重要的技术,得到了越来越广泛的重视。模糊C均值因其算法简洁灵活、聚类高效而被应用于推荐算法,但该算法存在需要人工预先确定簇数、初始簇中心选取不稳定、难以处理复杂高维数据带来的维数灾难等局限性。与此同时,协同过滤推荐算法因其高效精准的优势,在电子商务网站、社交网站和新闻推送等领域都表现出了良好性能,但该推荐算法仍存在数据稀疏、冷启动、用户主观性影响推荐结果等问题。因此,本文进行了如下研究:针对模糊C均值(Fuzzy C-Means,FCM)聚类算法需要预先人工确定簇数导致自适应性较差、初始簇中心选择不稳定导致稳定性较低、复杂高维数据聚类时相似性度量失效等问题,提出了一种等距特征映射和密度Canopy优化的FCM聚类算法(Fuzzy CMeans based on density Canopy and manifold isometric feature mapping,DM-FCM)。首先,本文提出一种基于改进局部密度的密度Canopy算法自动确定簇数和初始簇中心,提高算法的自适应性和稳定性。其次,考虑到高维数据往往呈现为非线性结构,采用等距特征映射算法构造流形空间结构、保留了复杂高维数据的全局几何特性,提高算法对复杂高维数据集的聚类效果。实验使用FM指数(Fowlkes-Mallows Index,FMI)、均一性和完整性的加权平均(the harmonic mean between homogeneity and completeness,Vmeasure)、调整互信息(Adjusted Mutual Information,AMI)、调整兰德系数(Adjusted Rand index,ARI)作为聚类算法的性能度量,结果表明:等距特征映射算法是较优的相似性度量方法,改进后的FCM算法相较传统FCM算法在AMI性能度量上平均提高了6.99%、ARI性能度量平均提高了13.01%、V-measure性能度量平均提高了6.27%。针对协同过滤推荐算法在数据稀疏时进行推荐会导致准确度下降以及推荐效率较低的问题,提出一种基于密度Canopy算法和等距特征映射的模糊C均值的协同过滤推荐算法(Collaborative filtering algorithm based on DM-FCM,DMFCM-CF)。采用密度Canopy算法和等距特征映射优化FCM聚类算法,提升聚类效率。采用基于密度Canopy和等距特征映射的FCM算法对用户进行模糊划分,减少计算量。采用基于邻域方法的矩阵填充算法缓解了数据稀疏问题。基于密度Canopy算法和等距特征映射的FCM聚类协同过滤推荐算法相较于传统协同过滤推荐算法的推荐准确度更高,有效缓解了数据稀疏性和数据高维等问题。

关键词：模糊C均值算法簇中心密度Canopy 等距特征映射协同过滤推荐

基于粒子群优化K-means聚类算法的快递网点选址方法研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

宁夏工程技术 2023年第2期22卷 181-186,192页

作者：倪萌萌李春树刘银宁夏大学电子与电气工程学院宁夏银川750021

对于大规模客户群体,如何高效合理地规划出网点位置,在节省物流企业配送成本的前提下提高货物的周转率和及时送达率,目前已成为快递物流系统网络优化的难点。为解决此类问题,针对某地区物流公司的客户信息,采用粒子群优化的K-means聚类... 详细信息

对于大规模客户群体,如何高效合理地规划出网点位置,在节省物流企业配送成本的前提下提高货物的周转率和及时送达率,目前已成为快递物流系统网络优化的难点。为解决此类问题,针对某地区物流公司的客户信息,采用粒子群优化的K-means聚类算法进行快递网点选址。具体过程:首先采用手肘法评估研究区域需设立的最佳快递网点数;为改善K-means初始簇中心带来的易陷入局部最优解问题,利用粒子群优化算法对数据集进行迭代寻优,重新确定初始簇中心;最后通过K-means聚类算法在全局最优解附近空间完成聚类任务,最终得到的聚类结果代表配送区域的划分方案,聚类的簇中心即为快递网点位置。此外,利用3个评价指标对粒子群优化Kmeans聚类算法和传统K-means聚类算法进行对比分析。结果表明,结合粒子群优化算法后的聚类结果其类内数据相似度更高,类间数据的差异与距离更大,取得的聚类效果更合理。

关键词：粒子群优化 K-means聚类快递网点簇中心

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于数据挖掘的客户舆情预警监控系统设计

电子设计工程 2022年第20期30卷 148-151,156页

作者：于亮钟宏伟李海涛陈海洋杜欣然国网北京市电力公司客户服务中心北京100078

互联网平台、手机客户端及现场服务渠道为客户提供了极为广阔的服务体验空间,为了提升客户体验,业务受理相关的客户舆情信息对于客户服务质量监测尤为重要,设计基于数据挖掘的客户舆情预警监控系统。利用数据挖掘架构,定义客户舆情数据... 详细信息

互联网平台、手机客户端及现场服务渠道为客户提供了极为广阔的服务体验空间,为了提升客户体验,业务受理相关的客户舆情信息对于客户服务质量监测尤为重要,设计基于数据挖掘的客户舆情预警监控系统。利用数据挖掘架构,定义客户舆情数据的传输转换方式,根据信息参量自身的结构功能需求,实现客户舆情预警监控系统的硬件执行环境搭建。在此基础上,对数据簇中心进行提取处理,联合完成定义的监控数据样本,计算预警复杂的分值具体数量级水平,实现系统的软件执行环境搭建,结合相关硬件设备结构体系,完成基于数据挖掘的客户舆情预警监控系统设计。对比实验结果表明,与入侵检测型监控系统相比,数据挖掘型监控系统能够准确获取客户舆情信息,实现对客户舆情信息的快速准确判定,为后续安排客户服务相关举措提供有力支撑。

关键词：数据挖掘客户舆情预警监控数据转换簇中心

在线全文

学校读者我要写书评

暂无评论

基于改进分簇算法的网络流量识别方法

计算机工程与科学 2011年第11期33卷 10-14页

作者：王宇科黎文伟苏欣湖南大学网络信息中心湖南长沙410082 湖南大学信息科学与工程学院湖南长沙410082

网络流量相关应用的自动检测对于网络安全和流量管理来说非常重要。但是,由于Peer-to-Peer(P2P)、VOIP等网络新应用使用动态端口、伪装和加密流等技术,使得基于端口匹配和数据包特征字段分析等识别方法在识别这些应用时存在一定的难度... 详细信息

网络流量相关应用的自动检测对于网络安全和流量管理来说非常重要。但是,由于Peer-to-Peer(P2P)、VOIP等网络新应用使用动态端口、伪装和加密流等技术,使得基于端口匹配和数据包特征字段分析等识别方法在识别这些应用时存在一定的难度。不少研究工作提出了分簇算法进行流量识别,但现有的分簇算法在簇中心和簇数目的选择上存在一定缺陷。本文首先使用基于WeightingD2算法对初始化簇中心选择进行改进,通过NMI值来确定簇的数目,得到改进的分簇算法,并提出一种基于该算法的应用层流量识别方法。对于应用层流量,尤其是P2P应用识别实验结果表明,该方法能达到90%以上的识别率以及较低的误识别率和漏识别率。

关键词：流量识别分簇算法簇中心簇数目

在线全文

学校读者我要写书评

暂无评论

一种基于PSO的模糊聚类算法

计算机工程与应用 2006年第27期42卷 150-151,165页

作者：冯征阎敏张智峰天津大学管理学院天津300072 青岛理工大学商学院青岛266520 天津财经大学金融学院天津300222

在大量的模糊聚类算法中,模糊C均值聚类算法是应用最为广泛的,然而它存在着一些缺点:对初始值敏感,对噪声数据敏感,容易陷入局部最优。针对以上问题,提出了一种基于粒子群优化的模糊聚类算法,利用粒子群强大的全局寻优能力,这种算法克... 详细信息

在大量的模糊聚类算法中,模糊C均值聚类算法是应用最为广泛的,然而它存在着一些缺点:对初始值敏感,对噪声数据敏感,容易陷入局部最优。针对以上问题,提出了一种基于粒子群优化的模糊聚类算法,利用粒子群强大的全局寻优能力,这种算法克服了模糊C均值聚类算法的缺点,试验证明,这种算法是一种很有潜力的模糊聚类算法。

关键词：粒子群优化模糊聚类模糊C均值算法簇中心