基于孤立点消除合理选择训练样本的物流预测

为了提高物流需求的预测精度,提出一种基于消除孤立点合理选择训练样本的物流预测(IFCM-RBFNN)。首先采用密度方法识别和剔除原始物流需求数据中的孤立点,消除孤立点对聚类结果的不利影响;然后采用模糊均值聚类(FCM)算法对物流需求数据进行聚类,选择最优训练样本集;最后采用RBF神经网络建立物流需求预测模型,并采用仿真实验对其性能进行测试。仿真结果表明,相对于对比模型,IFCM-RBFNN提高了物流需求的预测精度,预测结果更加可靠。     

基于粒子群优化的模糊聚类分析

基于求解实优化问题时,粒子群优化算法优于遗传算法。在基于遗传算法的模糊C均值聚类算法基础上,给出了基于粒子群的模糊C均值聚类算法,试验结果表明:该算法克服了传统的模糊C均值聚类算法的缺陷,同时在收敛速度方面明显优于基于遗传算法的模糊C均值聚类算法。     

基于多克隆和C-均值算法的入侵检测系统

本文将多克隆算子和模糊C-均值算法相结合,将多克隆的免疫基因策略作用于特定的亲合度函数来指导聚类过程,得到一种无监督的聚类分析方法。该方法不依赖先验知识、与数据分布无关、能够有效处理大规模原始数据。在KDD CUP99数据集上进行了仿真实验,实验结果表明基于本文方法的入侵检测系统具备良好的性能。     

基于模糊C-均值聚类算法的刀具磨损预测研究

本文将模糊C-均值聚类算法应用到了的刀具磨损预测方法中,以振动信号作为特征信号,通过具体检测实验在不同转速下跟踪采集刀具磨损各阶段的振动信号,然后求出信号的时域特征值作为预测样本值,通过模糊C-均值聚类算法对待测样本进行划分类,利用欧几里得贴近度法最终实现刀具磨损预测。结果表明,预测结果与刀具实际磨损状态相符,模糊C-均值聚类算法通过振动信号有效地分类刀具磨损模式。     

基于密度的最佳聚类数确定方法

确定数据集的正确聚类数目是聚类分析中的一个基础性难题。常用的聚类数确定方法通常依赖特定的聚类算法,且在数据集存在子簇群的情况下效果欠佳。本文提出一种新的最佳聚类数确定的指标,该指标着重于分析簇的几何结构,从数据对象分布密度的角度来度量类内紧密度与类间分离度。该指标对噪声不敏感并且可以识别数据集中的子簇群,在实际数据和合成数据上的实验结果表明,新指标的性能优于广泛使用的其他指标。     

基于IK-MD-SA聚类算法的电力数据审计疑点研究

为解决电力行业海量非结构化数据导致审计疑点数据效率、准确性低的难题,本文提出了一种基于迭代IK-MD-SA聚类电力大数据审计疑点算法。首先运用相异性度量算法通过构造相异性矩阵和计算均值相异性改进K-means聚类算法选择初始聚类中心,并将簇均值替换为簇中位数完成后续聚类中心迭代,以消离群点影响聚类结果的准确性。然后利用改进的蜂群算法对聚类结果进行优化,使其保证高运行效率的前提下聚类结果仍具有较高准确性。最后,通过离散性电力数据进行识别潜在疑点试验,验证了所提算法的可行性和有效性。     

基于K-均值聚类图像配准算法

针对图像配准中实时性差和精度低的问题,提出了一种基于K-均值聚类的图像配准算法。该算法根据匹配点对距离和方向特征的视差约束条件,首先利用K-均值聚类对匹配点对进行预处理,剔除错误匹配点,然后利用RANSAC进行优化,实现了图像的精确配准。实验结果表明该算法不仅提高了图像配准的精确度,而且提高了图像配准的速度。     

基于自适应遗传算法的K均值混合聚类算法

本文将AGA算法与K均值聚类方法结合,并将其应用在国际标准数据集iris的聚类上,取得了较好的聚类效果。     

基于粗糙集和C-均值聚类支持向量机的员工绩效评估方法

利用粗糙集的约简算法及类边界集分别选出影响绩效的核心因素和样本的边界集,将其应用于C-均值聚类网络得到具有概率信息(权重)的样本,作为支持向量机(SVM)的输入建立员工绩效评估模型。实例表明,该方法拟合率高,且性能优于SVM算法。     

模糊C聚类综合评价法在企业财务信用评级中的应用

本文针对当前企业财务信用问题,提出了基于模糊C均值聚类和综合评价相结合的财务等级分类方法。探讨了聚类分析方法在财务信用分类中的应用,包括模糊聚类方法和根据聚类中心进行综合评价研究两个方面。采用实际的数据进行了实证分析,表明该方法可根据实际需要获取很好的评价分类效果,而且根据聚类中心进行评价,能更清楚地反映信用等级。     

基于均值聚类的背景估计算法

本文提出了基于均值聚类的背景估计算法。首先利用提取特征点,然后利用K-means聚类算法去除错误的特征点对。最后利用随机样本一致(RANSAC)算法和最小二乘方法求解运动参数。实验结果表明本文算法比原始算法的峰值信噪比提高。该算法能更加准确的实现运动背景估计,提高了运动背景估计的鲁棒性,同时提高了计算速度。     

基于模糊C-均值聚类的ETC系统客户的逃费分析研究

随着我国ETC系统的普及,ETC系统客户的管理也成了急需解决的问题。文章主要通过利用模糊C-均值聚类的方法对采集到的收费数据进行分析,找出异常点对应的ETC系统客户,进行重点分析和重点监控,确定是否存在逃费行为,以减少通行费的流失,实现科学、合理、高效的管理。     

基于ICA的改进k均值聚类算法在股票市场中的应用初探

本文提出了一种基于独立成分分析的改进k均值时间序列聚类算法,在独立成分分析对每个时间序列提取特征并使用动态时间规整算法对每个时间序列两两进行距离的计算之后,使用模拟退火算法结合k均值聚类算法寻找全局最优解,本文使用伪F统计量确定最优的聚类数目,最后,本文使用实际股票收益时间序列验证了该算法的可行性,得到了较好的结果。     

基于改进FCM算法的信号调制方式识别

在无线电应用领域,信号调制方式识别技术无论是在军用还是民用领域均有重大意义。鉴于FCM算法自身的局限性,本文提出了一种基于距离加权的模糊C均值聚类算法,通过实验表明改进后的FCM算法对信号调制方式具有更高的识别率。     

基于改进的小波变换和模糊核聚类的纹理分割

提出了一种基于改进的小波变换和模糊核聚类的纹理分割方法。该方法首先用改进的离散小波变换进行纹理特征提取。然后用模糊核聚类方法对特征空间的每个像素进行聚类以实现对纹理的分割。实验结果表明所提算法有很好的分割结果。     

基于形状直径函数的三维模型集一致性分割算法研究

为了有效提高对三维模型集进行一致性分割算法的准确率和效率,提出一种三维模型集一致性分割算法。该算法基于形状直径函数特征和谱聚类方法。首先计算模型各个面片的形状直径函数特征(SDF)特征;其次计算模型各面片之间的形状相似性,形成相似性矩阵。最后采用谱聚类算法对模型集进行一致性分割。将本文算法与相关方法进行对比,实验结果表明,本文算法能准确的对一致性分割数据集中的若干模型进行有意义的分割,使得分割部位具有一定的对应关系,且面片平均划分准确率较好。     

基于DKC值的K-means改进聚类算法的研究

由于K-means算法的中心点是随机选择的,这样会导致聚类结果很不稳定,同时,孤立点的存在也会影响到聚类的精度,为解决这些问题及二者之间互相牵制,文章基于DCK值来对初始聚类中心进行选择,同时去除数据中的孤立点,使得聚类中心相对稳定,再利用改进的k-means算法对数据进行聚类,改进后的算法较原始算法更准确。     

基于克隆聚类的企业IDS的研究

在论述克隆聚类的基本概念及其特点的基础上,探讨了基于克隆聚类的农产品加工企业IDS的优势。根据农产品加工企业的实际需求,重点介绍了无监督的克隆聚类算法,设计并实现了基于克隆聚类算法的入侵检测系统,最后使用KDD CUP 99数据集进行了计算机仿真实验,结果表明能够显著提高检测率和降低误报率。     

基于离群数据挖掘的计算机审计

目前,广泛应用并能简单处理大规模数据集的离群数据挖掘算法主要有基于聚类方法、基于距离方法和基于密度方法等几种;基于离群数据挖掘的计算机审计在操作上一般分为数据的采集、数据的准备、建立离群数据挖掘模型等四个步骤;基于离群数据挖掘方法在审计中的应用,有利于帮助审计人员发现异常的交易或事项,快速确定审计重点,提高审计效率.     

基于模糊聚类的物流中心体系选址决策研究

根据物流中心体系综合选址问题的特点,将模糊聚类分析方法运用于其选址决策中。并给出模糊聚类的基本思想和基于模糊聚类物流中心体系综合选址的分析步骤,通过算法运用说明该方法在实际问题中的应用,并指出其在应用中应注意的问题。