检索结果-南通市图书馆

k-means聚类算法在企业环境效率评价的应用及R语言实现

在线全文

学校读者我要写书评

暂无评论

数学的实践与认识 2018年第2期48卷 307-315页

作者：陈敏娜梁海华广东环境保护工程职业学院基础部广东佛山528216 广东技术师范学院数学与系统科学学院广东广州510665

根据环境影响评价因子筛选的要求，构建新的企业环境效率评价指标体系．以佛山市企业作为研究对象，利用R语言对其进行k—means的聚类，结果表明该指标体系能够有效的将企业分为8类，分别为：一般性污染企业、危险废物产生企业、废气（S... 详细信息

根据环境影响评价因子筛选的要求，构建新的企业环境效率评价指标体系．以佛山市企业作为研究对象，利用R语言对其进行k—means的聚类，结果表明该指标体系能够有效的将企业分为8类，分别为：一般性污染企业、危险废物产生企业、废气（SO^2、NOX）污染严重企业、烟尘废气污染严重企业、固废污染严重企业、废气废水设备投入大的绿色企业、废水污染严重企业、废气废水均污染严重企业．

关键词：数据挖掘 k-means聚类算法企业环境效率 R语言

k-means聚类算法在织物疵点检测中的应用

在线全文

学校读者我要写书评

暂无评论

毛纺科技 2016年第3期44卷 11-14页

作者：张缓缓赵娟李仁忠李鹏飞景军锋邬红霞西安工程大学电子信息学院陕西西安710048 西安理工大学自动化与信息工程学院陕西西安710048

为检测常见织物的各种疵点,提出一种基于k-means聚类的织物疵点检测方法。对采集的图像进行中值滤波,以减轻纹理对疵点检测的影响,并利用方差采样算法增强织物的疵点特征信息;利用k-means聚类算法对方差采样后的图像进行处理,使得疵点... 详细信息

为检测常见织物的各种疵点,提出一种基于k-means聚类的织物疵点检测方法。对采集的图像进行中值滤波,以减轻纹理对疵点检测的影响,并利用方差采样算法增强织物的疵点特征信息;利用k-means聚类算法对方差采样后的图像进行处理,使得疵点区域被划分一类,非疵点区域划分为一类。最后经过二值化,分割出疵点。实验证明,该方法能快速、准确的检测出织物的常见疵点。与其他方法相比,文章提出的算法采用聚类思想对织物疵点进行分割,不需要利用正常织物图像进行阈值计算;另外经过方差采样算法处理后疵点信息明显增强,使得疵点信息与纹理明显不同,从而使聚类更为准确,增加了检测的准确度。

关键词：疵点检测织物疵点 k-means聚类算法方差采样

在线全文

学校读者我要写书评

暂无评论

k-means聚类算法改进研究

K-means聚类算法改进研究

作者：郭靖中国人民公安大学

学位级别：硕士

随着信息技术的发展,人类收集、存储、传输、处理数据的能力取得了飞速提升。人类社会的各个角落如商业、社会、科学、工程、医学以及日常生活等都积累了大量数据,亟需功能强大和通用的工具对数据进行有效地分析利用。机器学习和数据挖... 详细信息

随着信息技术的发展,人类收集、存储、传输、处理数据的能力取得了飞速提升。人类社会的各个角落如商业、社会、科学、工程、医学以及日常生活等都积累了大量数据,亟需功能强大和通用的工具对数据进行有效地分析利用。机器学习和数据挖掘恰顺应了数据时代的这个迫切需求,取得巨大发展,受到广泛关注。聚类分析广泛应用于机器学习、数据挖掘、模式识别和图像处理等领域中,由此产生的聚类算法有很多种,其中,k-means聚类算法以其简洁高效以及适应性强等优点成为最广泛使用的聚类算法之一。然而,传统的k-means聚类算法却有两个相对突出的问题:一个是初始聚类中心的选取问题,另一个就是聚类数目k的确定问题。针对初始聚类中心的选取问题,本论文在Rahman的Sum Score算法基础上改进提出一种新的基于主成分分析(Principal Components Analysis,PCA)的k-means初始聚类中心优化算法。该方法使用主成分分析将原始多维数据降维为一维数据,接着将一维数据按升序排列,其次将排序后的一维数据分成k个子集,然后通过一维数据和多维数据的对应关系将多维数据分成k个子集且求出这k个子集的中心,最后把原始多维数据中分别距离k个子集中心最近的k个数据点作为初始聚类中心。通过在人工模拟数据集和UCI真实数据集上与其他优化算法进行比较,实验结果表明新算法能显著提高聚类质量。针对如何确定聚类数k这个问题,在基于主成分分析的k-means初始聚类中心优化算法的基础上提出一种全新的基于潜在稳定性的k-means最佳聚类数确定方法。该方法利用数据集的潜在稳定性,通过两次选取不同的初始聚类中心进行聚类,然后比较两次聚类结果的异同进而得到最佳聚类数。通过在UCI真实数据集上与基于聚类有效性内部评价指标确定最佳聚类数的方法进行对比实验,结果表明新方法更能准确地得到正确的聚类数。

关键词： k-means聚类算法主成分分析初始聚类中心潜在稳定性聚类数

k-means聚类算法的改进及其在彩色图像分割中的应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

K-means聚类算法的改进及其在彩色图像分割中的应用

作者：李玉功安徽大学

学位级别：硕士

聚类分析是数据挖掘的主要内容,k-means算法是常见的聚类算法之一。k-means算法以其思想简单、容易编码实现、收敛速度快等优点而被广泛的应用在许多领域中。然而k-means算法也存在着一些缺陷,因此亟需对k-means算法存在的缺陷进行研究... 详细信息

聚类分析是数据挖掘的主要内容,k-means算法是常见的聚类算法之一。k-means算法以其思想简单、容易编码实现、收敛速度快等优点而被广泛的应用在许多领域中。然而k-means算法也存在着一些缺陷,因此亟需对k-means算法存在的缺陷进行研究,以便更好的挖掘出高质量的信息。在图像处理中,无论是图像分析,还是进一步的图像语义理解,往往需要对原图进行图像分割,然后对分割得到的不同区域进行特征提取,以供分析理解之用。聚类算法在对彩色图像进行分割时具有效率高、适应性强等优势而受到广泛的关注。本文对聚类分析和彩色图像分割进行了研究。主要工作有:(一)研究了聚类分析和彩色图像分割的主要算法。(二)针对传统k-means算法存在的类簇数目k值难以确定及聚类结果对初始聚类中心敏感的缺陷,提出了一个改进的k-means算法(CNACS-kmeans)。定义了一种新的计算样本对象局部密度的方法,构造了数据集的决策图,运用回归分析和残差分析的方法从决策图中获取较优的初始聚类中心和类簇数目,然后运用获取的初始聚类中心作为输入参数进行聚类操作,在模拟数据集和UCI真实数据集上的实验结果表明,改进后的算法可以取得较好的聚类结果。(三)针对k-means算法分割彩色图像存在的分割数目难以确定及过分割和错分割的现象,给出了一种基于改进k-means预分割和区域合并的彩色图像分割方法。首先对k-means算法在分割彩色图像时初始中心点的选择策略进行了改进,然后设置一个较大的k值,运用改进后的k-means算法对彩色图像进行初始的分割,接着对初始分割后得到的相邻且相似的区域进行合并操作,当某次合并后图像颜色分散度的变化率超过阈值时就撤销本次合并,生成最终的分割结果。实验结果验证了该分割算法可以取得较好的分割结果。

关键词：聚类分析 k-means聚类算法决策图残差分析彩色图像分割区域合并

k-means聚类算法在SIR传染病模型中的应用研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

K-means聚类算法在SIR传染病模型中的应用研究

作者：李东辉广东工业大学

学位级别：硕士

k-means聚类算法（k-means Clustering Algorithm）是一类经典的聚类算法,其广泛应用于生物、天文、环境、经济、医疗等各方面.SIR传染病模型（Susceptible Infected Recovered Model）是研究流行病的重要基础模型.元胞自动机模型（Cell... 详细信息

k-means聚类算法（k-means Clustering Algorithm）是一类经典的聚类算法,其广泛应用于生物、天文、环境、经济、医疗等各方面.SIR传染病模型（Susceptible Infected Recovered Model）是研究流行病的重要基础模型.元胞自动机模型（Cellular Automata）的状态、时间和空间都是离散的,这种离散的动态模型在计算机科学、数学、社会学、物理学、生态学、医学等都有广泛的应用.本文以元胞自动机模型和k-means聚类算法为重要工具,建立了具有k-means聚类算法的SIR元胞自动机模拟模型.通过对分别服从高斯分布和随机均匀分布的两类初始感染源的分析与模拟,给出了疾病感染半径与隔离半径对疾病传播的影响,以及具有特征权重的k-means聚类算法对加入年龄结构和随机游走的SIR元胞自动机模型的应用研究,并进一步探讨了年龄结构和随机游走对传染病防控的影响.本文主要分为以下四章内容:第一章为绪论,概括介绍了k-means聚类算法的提出、发展历程以及在生物数学研究领域的相关应用;同时,对元胞自动机模型和传染病模型也进行了简要的概述;第二章首先是对k-means聚类算法的基本介绍,包括k-means聚类算法的定义、特征、思想以及本文用到的相关概念;其次,建立基于元胞自动机的SIR仓室模型的基本理论和概念,并给出了建立具有k-means聚类算法的SIR元胞自动机模型的思路和方法;第三章是本文主要工作的第一部分,k-means聚类算法在SIR基础传染病模型中的应用研究,旨在通过对服从高斯分布和随机均匀分布的两类初始感染源的分析与模拟,给出了疾病感染半径与隔离半径对疾病传播的影响.结果表明:在两种不同类型的初试分布下,感染者的最大值分别与疾病感染传播半径和隔离半径呈正相关与负相关关系,感染者数量随时间的变化率亦呈现相同的变化规律.初始数据的不同分布类型只影响这种正负相关关系的增速.并根据高斯分布与随机均匀分布的对比实验结果,解释在实际传染病中的生物学意义及相应的防控措施;第四章是本文主要工作的第二部分,基于特征权重的k-means聚类算法在具有年龄结构和随机游走的SIR元胞自动机传染病模型中的应用研究,分析了儿童、青壮年和老年的三层年龄结构对传染病的影响.同样,在服从高斯分布和随机均匀分布的两类初始感染源的模式下,研究发现:利用具有特征权重的k-means聚类分析两种分布,三种年龄结构中人数占较多和感染力较强的青壮年对感染者最大值的影响较为明显,感染半径、初始隔离时间和移动半径与感染者最大值呈正相关,隔离半径与感染者最大值呈负相关;此外,本文还提供了全随机均匀分布和高斯分布的地图生成及初始化办法,以及非邻体高斯游走的问题.本论文的完成在一定程度上弥补了k-means聚类算法在流行病研究中的不足,后续可结合实际流行病案例进一步具体化k-means算法在流行病的模拟过程,以期得到更加可行的研究结果.

关键词： k-means聚类算法元胞自动机隔离年龄结构随机游走

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

k-means聚类算法的研究与改进

K-Means聚类算法的研究与改进

作者：崔丹丹安徽大学

学位级别：硕士

数据挖掘是一种提取出隐含在大量数据中的潜在的、有用的信息并被人们识别、处理的数据库中的知识发现(knowledge Discovery in Database)。数据挖掘技术结合了模式识别、数据库、统计学、机器学习和人工智能等多个领域的一种新兴的交... 详细信息

数据挖掘是一种提取出隐含在大量数据中的潜在的、有用的信息并被人们识别、处理的数据库中的知识发现(knowledge Discovery in Database)。数据挖掘技术结合了模式识别、数据库、统计学、机器学习和人工智能等多个领域的一种新兴的交叉的学科技术。数据挖掘有多个研究方向,包括分类、聚类、关联规则挖掘等。聚类分析是数据挖掘领域中的一个比较热门的研究方向。聚类分析是要达到这样一种目的,将数据对象进行划分成不同的簇使得同一个簇中的数据对象具有较高的相似度,不同簇中的数据对象的相似度较低。目前为止,聚类分析算法一般有以下五种分类：基于划分的聚类算法、基于层次的聚类算法、基于密度的聚类算法、基于网格的聚类算法和基于模型的聚类方法。聚类算法在商务、市场分析、生物学以及文档分类等领域有着广泛的应用。另外,聚类算法不仅可以作为发现数据库中数据分布的深层次信息的工具,还可以作为数据挖掘中的一个预处理步骤。因此,研究聚类分析算法有着十分重要的意义。 k-means算法是基于划分的聚类算法中的一个典型算法。该聚类算法的一个最大的优点就是操作简单、采用误差平方和的准则函数、对大数据集的处理上有较高的可伸缩性和高效性。但是该算法存在着一定的缺陷：首先起初需要指定k值表示聚类个数;其次它比较敏感于聚类中心初值的选取问题;第三算法也极其容易的陷入局部的最优解;最后它只能发现球状的簇。k-means算法采取随机选取初始聚类中心,因此,一旦聚类中心选取不当,将会得到一个不合理的聚类结果。本文针对聚类算法的结果对初始聚类中心依赖性的问题,对初始聚类中心选取的方法给出了分析与研究,并针对初始聚类中心选取的方法提出了两种新的算法。本文工作主要包括： 1.首先介绍了数据挖掘的研究意义与聚类分析的研究背景和研究方向。 2.数据挖掘中的聚类分析算法的研究。包括现有的聚类分析算法有哪些,聚类的概念和形式描述、聚类分析中的数据类型和数据结构、数据的标准化、聚类分析的相似度度量、聚类分析中的准则函数和聚类分析的一般步骤等。 3.研究了k-means算法的基本思想和原理,同时分析了k-means算法的优缺点,研究了现有的针对k-means算法初值选取的改进的措施。 4.针对k-means算法对初值依赖性的缺点,给出了两种改进初始聚类中心选取的算法,主要的研究成果和内容集中在以下两个方面： (1)基于坐标旋转的思路,针对k-means算法随机选择初始聚类中心导致聚类结果不稳定的情况,提出了一种基于坐标旋转的选取聚类中心的算法(记为kCR算法),能够很好地用于低维数据的聚类上,并且改善了随机选择初始聚类中心致使k-means算法陷入局部最优解而得不到正确聚类结果的情况,保证了聚类结果的准确与稳定性。 (2)借助密度的思想,基于平均距离的思路选择初始聚类中心,给出了kAD算法,该算法克服kCR算法的缺点,并能够使初始中心尽可能的分开,克服了多个聚类中心被选在同一个簇中的情况,提高了聚类的有效性,并进行了实验验证与分析。

关键词：聚类分析数据挖掘 k-means聚类算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

k-means聚类算法的改进及其应用研究

K-means聚类算法的改进及其应用研究

作者：曾如明西华师范大学

学位级别：硕士

网络时代的高速发展,使得每时每刻都在产生着大量的数据信息。如何在这些具体应用数据中发现其潜藏的价值规律,从而获得有益信息,是目前研究所遇到的最大挑战。数据挖掘技术是一种从海量数据中揭示其潜在价值规律的有效方法,在投资决策... 详细信息

网络时代的高速发展,使得每时每刻都在产生着大量的数据信息。如何在这些具体应用数据中发现其潜藏的价值规律,从而获得有益信息,是目前研究所遇到的最大挑战。数据挖掘技术是一种从海量数据中揭示其潜在价值规律的有效方法,在投资决策、产品分析与风险预警等方面有着广泛的应用。聚类分析算法是数据挖掘技术常用的方式之一,根据数据特点和聚类目的可选取不同的聚类算法。其中,k-means聚类算法应用范围最广。但传统k-means聚类算法也存在一些缺陷:最佳聚类数不易确定、聚类指标间的冗余性与重要性差异会影响聚类的效果、聚类划分结果易受初始聚类中心选取的影响等。本文对传统k-means聚类算法所存在的某些缺陷进行优化。优化算法利用乘法合成法对主成分分析法与熵权法两种客观赋权方式所得的权重系数进行组合加权,从而充分考虑指标间重要性差异对聚类结果的影响;当肘部法则所确定的拐点不明确时,可以在经验法则的基础上,利用肘部法则进一步缩小最佳聚类数的取值范围,将缩小范围后的距离代价函数的最小值所对应的k值取为最佳聚类数;利用样本方差、距离与误差平方和优化初始聚类中心,可以有效避免异常数据作为初始聚类中心或初始聚类中心之间距离太近对聚类效果的影响,同时需要更少的迭代次数。最后,利用优化的k-means聚类算法将组合赋权下的67家家电行业公司进行聚类划分,并对每一类的划分结果进行了详细地说明,以便投资者可以结合本文算法与自身实际情况进行投资决策。

关键词： k-means聚类算法聚类数目初始聚类中心股票聚类

基于k-means聚类算法的草莓灌溉策略研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

农业机械学报 2020年第1期51卷 295-302页

作者：李莉王宏康吴勇陈士旺王海华 SIGRIMIS N A 中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083 中国农业大学农业农村部农业信息获取技术重点实验室北京100083 雅典农业大学农业工程系雅典11855

为进一步提高日光温室封闭式栽培下草莓灌溉水肥利用率,研究了基质含水率和温度影响下的草莓灌溉策略优化方法。采用土壤水分传感器对草莓果期基质含水率进行实时监测,通过对基质含水率随时间变化的规律分析,并结合日平均温度进行k-mean... 详细信息

为进一步提高日光温室封闭式栽培下草莓灌溉水肥利用率,研究了基质含水率和温度影响下的草莓灌溉策略优化方法。采用土壤水分传感器对草莓果期基质含水率进行实时监测,通过对基质含水率随时间变化的规律分析,并结合日平均温度进行k-means聚类分析,提出一种草莓优化灌溉策略。试验结果表明,灌溉第1阶段基质含水率快速上升,在灌溉结束时达到峰值,每次灌溉基质含水率平均提高21.5个百分点;第2阶段快速下降,在20 min内基质含水率平均下降3.5个百分点;第3阶段变化趋于平稳,在30 min内基质含水率平均下降1.2个百分点。在每个灌溉周期内,含水率呈线性下降趋势,在整个果期内,其斜率随日平均温度的升高逐渐增加,由0.0114增加至0.0365。研究结果表明,根据基质含水率变化和日平均温度区间进行定量灌溉,理论上果期每株草莓仅需要4.51 L水,可节水15.4%,该方法能有效提高水肥利用率,实现节水节肥。

关键词：草莓灌溉策略 k-means聚类算法基质含水率日平均温度水肥一体化

基于改进量子粒子群的k-means聚类算法及其应用

在线全文

学校读者我要写书评

暂无评论

控制与决策 2022年第4期37卷 839-850页

作者：李玥穆维松褚晓泉傅泽田中国农业大学信息与电气工程学院北京100083 中国农业大学食品与安全北京实验室北京100083 中国农业大学工学院北京100083

针对传统k-means聚类算法受初始类中心影响导致聚类准确度较低的问题,利用量子粒子群优化算法全局搜索能力强、收敛速度快的优势,提出一种基于改进量子粒子群的k-means聚类算法.为防止量子粒子群优化算法陷入局部极值,采用具有高斯扰动... 详细信息

针对传统k-means聚类算法受初始类中心影响导致聚类准确度较低的问题,利用量子粒子群优化算法全局搜索能力强、收敛速度快的优势,提出一种基于改进量子粒子群的k-means聚类算法.为防止量子粒子群优化算法陷入局部极值,采用具有高斯扰动的局部吸引子以提高种群跳出局部最优的能力;为提高算法的收敛速度,采用加权更新种群平均最优位置以充分发挥精英粒子的优势;通过对收缩-扩张因子和随机变量参数进行交叉实验,选出最佳参数组合策略.在标准测试函数上的仿真结果表明:改进的量子粒子群优化算法在寻优精度、收敛速度以及稳定性上都有显著提高;通过对比7种聚类算法在UCI数据集上的聚类结果可知,所提出的聚类算法具有更好的聚类性能,可以有效降低k-means对初始聚类中心的依赖.最后,将该方法应用于我国鲜食葡萄市场客户分类中,以验证该方法的有效性和实用性.通过实证分析可知,基于改进量子粒子群的k-means聚类算法结构简单、精度高,具有一定的推广性.

关键词： k-means聚类算法量子粒子群优化算法聚类中心聚类分析客户分类鲜食葡萄