检索结果-南通市图书馆

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

基于线性回归分析的快速搜索聚类中心算法

系统工程与电子技术 2017年第11期39卷 2614-2622页

作者：王星呙鹏程王玉冰程越空军工程大学航空航天工程学院陕西西安710038

针对一种可快速搜索和寻找到聚类密度峰值点聚类算法的缺陷,利用线性回归与残差分析的方法进行改进,可自动、快速地确定聚类中心且优化样本点密度值。算法利用样本点的近邻信息重新度量点的密度值,提高聚类中心点位置稳定性;利用一元线... 详细信息

针对一种可快速搜索和寻找到聚类密度峰值点聚类算法的缺陷,利用线性回归与残差分析的方法进行改进,可自动、快速地确定聚类中心且优化样本点密度值。算法利用样本点的近邻信息重新度量点的密度值,提高聚类中心点位置稳定性;利用一元线性回归与残差分析,快速、自动地选出聚类中心点,去除了人为选择的主观性。通过理论分析以及在人工数据集和真实数据集的对比实验表明,提出的基于线性回归分析的快速搜索聚类中心算法能够克服原有算法的缺陷,并且在聚类效果和计算时间上优于原有算法、基于密度的带有噪声的空间聚类算法(density based spatial clustering of applications with noise,DBSCAN)以及K-means算法。

关键词：密度峰值聚类中心点线性回归残差分析

在线全文

学校读者我要写书评

暂无评论

基于半监督的网络流量分类识别算法

电子测量与仪器学报 2014年第4期28卷 381-386页

作者：周文刚陈雷霆 Lubomir Bic 董仕电子科技大学计算机科学与工程学院成都610054 University of California irvineusa92617 东南大学计算机科学与工程学院南京211189

近年来,许多机器学习的方法被广泛应用于网络流量分类识别的问题中,结合有监督学习与无监督学习的特点,提出一种基于半监督学习的流量分类识别方法,该方法改进K均值聚类算法中初始簇中心的选取,通过基于密度因子的相似性函数来满足聚类... 详细信息

近年来,许多机器学习的方法被广泛应用于网络流量分类识别的问题中,结合有监督学习与无监督学习的特点,提出一种基于半监督学习的流量分类识别方法,该方法改进K均值聚类算法中初始簇中心的选取,通过基于密度因子的相似性函数来满足聚类数据的全局一致性要求以获取更适合的初始簇中心,并通过最大似然估计方法标记聚类结果实现与相关应用类型或协议的对应匹配过程,实验结果表明,该算法提升了网络流量分类识别结果的准确性和分类识别效率,能够有效满足流量分类识别的应用需求。

关键词：网络流量半监督学习分类识别聚类中心点

在线全文

学校读者我要写书评

暂无评论

自动确定类数的密度峰值聚类算法研究

自动确定类数的密度峰值聚类算法研究

作者：王哲川西安电子科技大学

学位级别：硕士

2014年,《Science》上发表了一种聚类算法,被称为密度峰值聚类算法(Density Peaks Clustering,以下简称DPC),此算法尝试使用两个目标:密度和峰值,以自动确定簇的数量。它可以处理任意形状分布的数据集,拥有原理简单、效率出众、调节参... 详细信息

2014年,《Science》上发表了一种聚类算法,被称为密度峰值聚类算法(Density Peaks Clustering,以下简称DPC),此算法尝试使用两个目标:密度和峰值,以自动确定簇的数量。它可以处理任意形状分布的数据集,拥有原理简单、效率出众、调节参数少等让科研人员青睐的优点,这使它成为了聚类分析中的热门算法。此算法首先设计了一种称为决策图的启发式方法来找出局部密度和偏移距离最大的数据点作为聚类中心,然后在用户选择了聚类中心之后,通过将数据点分配给与其最近的邻居(具有更高密度)来组成一个个簇。该过程非常简单,主要在于它的两个核心的直观假设:(1)聚类中心总是那些周围点比较密集,自己密度比它周围点的密度都大的点。(2)不同聚类中心间的距离比聚类中心与其周围点的距离更远。但是,此算法也拥有如下不足和缺点:(1)在选择截断距离d时,算法需要基于数据集上的经验值人工选择:即算法建议的截断距离为按此截断距离选择的数据点个数为数据点总数的2%左右。(2)算法需人工选择选择聚类中心,但没有一个通用的选择标准,所以误差较大,直接影响聚类结果。(3)在数据集规模大、维度高时,算法的聚类效果很差。针对上述缺点,本文提出了两个改进的方法,主要从以下两个方面进行了改进:1.针对缺点(1)和(2),提出一种自动确定截断距离及类中心的密度峰值聚类算法。首先提出了一种基于Gini系数可以自适应选择截断距离d的计算方法,Gini系数越小,数据集的稠密稀疏程度相差越大,即每一类数据在数据集的分布更加不均匀,这样的情况下更容易聚类,也就可以自动确定截断距离。然后计算每个点的局部密度和偏移距离的score函数值并画出排序图,根据score变化趋势自动确定出潜在聚类中心,最后通过聚类中心距离大于阈值d的方法来确定真正聚类中心。实验结果表明本章所提出的算法无论是在运行准确率还是在处理数据的鲁棒性上都有良好的效果。2.针对缺点(3),提出一种基于网格的改进密度峰值聚类算法。首先给出一种网格划分的方法并给出相邻网格和网格中心点的定义,将数据点粒度放大到了网格粒度,然后采用更加高效合理的局部密度和偏移距离的衡量方法,结合使用改进方法1中提出的自动确定截断距离和筛选聚类中心的方法对网格聚类,这样处理使得空间复杂度和时间复杂度都较DPC算法有明显的降低。通过实验验证了此算法无论在数据规模较小还是较大的数据集上都拥有很好的性能且运行速度比DPC快很多,算法的鲁棒性进一步提升,尤其是在大规模数据集上的效果,比对比的算法有更好的效果。

关键词：密度峰值聚类中心点变化趋势网格划分

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

基于密度聚类算法的若干改进及应用研究

基于密度聚类算法的若干改进及应用研究

作者：李明洋吉林财经大学

学位级别：硕士

随着大数据时代的到来和人工智能的逐渐成熟,寻求分析和利用大规模原始数据并从中发掘价值信息的方式是学术界的研究重点。聚类技术在数据挖掘中占据重要地位,由海量数据中获取数据潜在内部结构是当下人工智能领域的重点研究任务。截至... 详细信息

随着大数据时代的到来和人工智能的逐渐成熟,寻求分析和利用大规模原始数据并从中发掘价值信息的方式是学术界的研究重点。聚类技术在数据挖掘中占据重要地位,由海量数据中获取数据潜在内部结构是当下人工智能领域的重点研究任务。截至目前,无监督学习领域主要包括两类最具竞争力聚类技术,一是密度峰值聚类(Clustering by Fast Search and Find of Density Peaks,DPC)算法,二是基于密度带有噪声的空间聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)算法。但上述算法依然有一定不足:(1)采取密度峰值聚类算法时必须通过手动设置截断距离参数;(2)密度峰值聚类算法需手动圈出聚类中心点;(3)基于密度带有噪声的空间聚类算法存在全局参数聚类半径Eps需人工设定的问题。结合以上问题,对其提出针对性整改意见:(1)采取基于密度带有噪声的空间聚类算法时,必须通过人工设定获取全局参数聚类半径Eps,对于该问题提出一种改进的基于密度带有噪声空间聚类(Improved Density-Based Spatial Clustering of Applications with Noise,CS-DBSCAN)算法,利用布谷鸟搜索算法具有快速求解全局优化问题的能力,提高算法的聚类性能。(2)采取密度峰值聚类算法时,必须通过手动方式对截断距离参数进行设置,此时可利用基于密度最大值的密度峰值聚类(Density Peak Clustering Based on Maximum Density,Max-DPC)算法。该算法引入具有密度最大值样本点到密度极小值样本点距离作为截断值的改进思想,避免人为设置截断距离的同时,以此提升聚类算法性能。(3)采取密度峰值聚类算法时,必须借助手动方式完成的既包括设置截断距离参数,还包括圈出聚类中心点,提出一种基于截断距离和簇中心点自动选择策略的密度峰值聚类算法(Density Peak Clustering Algorithm Based on Choosing Strategy Automatically for Cut-off Distance and Cluster Center,CSA-DPC)。在改进方案(2)的基础上,根据可能成为聚类中心点之间的相似度变化情况确定聚类中心点,也使得聚类结果变得更加精确。(4)针对基于密度带有噪声的空间聚类算法的聚类半径Eps需人工设定的问题和密度峰值聚类算法需手动圈出聚类中心点的双重问题,提出基于蝙蝠优化聚类的再聚类算法(Re-clustering Algorithm Based on Bat Optimized Clustering and Its Applications,BA-DPC)。通过引入蝙蝠优化算法,让改进后的DBSCAN聚类算法先获得初始聚类结果,然后根据初始聚类结果自动选取DPC算法的聚类中心,以避免人为参与聚类中心的选取,且产生更优的聚类结果。

关键词：密度峰值聚类算法基于密度带有噪声的空间聚类算法聚类半径截断距离聚类中心点

基于k-medoids聚类算法的低压台区线损异常识别方法

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

天津理工大学学报 2021年第1期37卷 26-31页

作者：薛明志陈商玥高强天津理工大学电气电子工程学院天津300384

针对低压台区线损异常情况的判断问题,以电力公司用电信息采集系统采集的日线损率数据为基础,提出了一种基于k-medoids聚类算法的低压台区线损异常识别方法,并以某地区819个台区为例进行算法可靠性的验证.首先应用局部异常因子LOF算法... 详细信息

针对低压台区线损异常情况的判断问题,以电力公司用电信息采集系统采集的日线损率数据为基础,提出了一种基于k-medoids聚类算法的低压台区线损异常识别方法,并以某地区819个台区为例进行算法可靠性的验证.首先应用局部异常因子LOF算法对低压台区异常日线损率数据进行判断、筛选和剔除;其次应用k-medoids聚类算法对日线损率数据进行聚类分析,得到低压台区日线损率数据的聚类中心点和欧氏距离,从而实现低压台区线损异常情况的判断;最后通过819个低压台区的实际数据验证算法的合理性.结果表明,算法能够对低压台区线损的异常情况做出准确的判断.

关键词：低压台区 k-medoids聚类算法局部异常因子LOF算法日线损率聚类中心点欧氏距离

基于边缘信息的RGB-D图像超像素分割算法

在线全文

学校读者我要写书评

暂无评论

计算机时代 2023年第9期 111-115页

作者：胡斌张泽均浙江师范大学物理与电子信息工程学院浙江金华321004

针对简单线性聚类算法(SLIC)中需要初始预设超像素个数和大量重复聚类计算的问题,提出一种基于边缘信息的RGB-D图像超像素分割算法。利用各向异性高斯核提取彩色图像中边缘强度信息,在此之上,自适应地提取图像的初始聚类中心。仅对位于... 详细信息

针对简单线性聚类算法(SLIC)中需要初始预设超像素个数和大量重复聚类计算的问题,提出一种基于边缘信息的RGB-D图像超像素分割算法。利用各向异性高斯核提取彩色图像中边缘强度信息,在此之上,自适应地提取图像的初始聚类中心。仅对位于图像边缘附近的像素点进行重新聚类标记计算,这种策略在保证聚类准确的同时,大大降低了重新聚类计算的复杂度。同时,本文提出一种基于边缘信息的距离度量准则来度量两个像素点之间的空间距离。在公开的图像数据集上的实验结果表明,相比其他几种算法,本文算法的分割结果更能反应出场景中物体的轮廓信息,而且算法效率更高。

关键词： RGB-D图像超像素分割各向异性高斯核聚类中心点