聚类算法分析综述

聚类作为无监督的学习算法,能对无类标的数据集合进行分类,在文本分析、数据分析、图像处理以及市场预测等多领域有广泛的应用.本文从多个角度对聚类方法进行分析,在不同的情况下运用不同的聚类算法对数据集合进行划分.     

数据挖掘中聚类算法研究

随着数据挖掘技术的发展,作为数据挖掘中重要方法之一的聚类分析,先后出现了许多聚类算法。这些聚类算法均有其自身的优缺点。为了方便用户找到适合的聚类算法,本文根据不同的聚类原理对聚类算法进行分类,并概述了各类算法的发展情况。针对聚类的典型要求,归类出了一些有代表性的算法,同时对它们进行了分析和评价。文章最后给出了几种常用聚类算法的性能比较,并对聚类算法的发展进行展望。     

基于余弦相识度的聚类算法在统计调查对象分类中的应用研究

对统计数据的研究往往采用无监督学习的聚类算法,而基于欧式距离的常规聚类算法不太适合统计数据,文章将常用于文本相似度计算的余弦相似度算法与聚类算法相结合,形成基于图形相似度的模糊识别算法,采用统计月度数据进行实验测试,证明能够实现企业分类,达到了研究目标。     

基于谱聚类的用户关联关系挖掘

为了从用户地理空间分布数据中挖掘用户间关联关系,提出了一种基于谱聚类的关联关系挖掘算法。首先定义了关联度,用以衡量用户之间空间分布的相似性,基于关联度构造相似矩阵,再利用谱聚类方法对用户进行聚类分析,聚类结果表征了用户的关联关系。采用Silhouette指标和聚类准确率来衡量用户关系挖掘质量,同时与传统的K-Means方法进行了比较,通过真实数据集实验,结果表明该算法在实验数据集上能达到90%以上的聚类准确率,证明方法有效、可行。     

基于时间序列聚类的多雷达数据融合

针对多雷达数据融合问题,提出了基于时间序列的聚类算法,用于实现航迹相关,即以时间序列为基础把聚类模型转化为基于特征匹配的聚类算法。进一步考虑到多目标密集时,部分来自不同目标的数据可能比来自同一目标的数据更接近,易导致关联错误,为此提出了基于时间序列的模糊聚类算法。对上述两种算法的聚类结果,应用卡尔曼滤波器实现滤波跟踪,在不同的情况下仿真后发现,在跟踪目标较少且相互位置较远的情况下,两种算法均有效,在跟踪目标较多且相互位置靠近的情况下,基于时间序列的模糊聚类算法更有效。     

基于NeiMu的雷达信号聚类分选

针对雷达信号分选中常见的聚类数目难确定、数据簇形状识别、异常数据敏感等问题,提出了基于NeiMu(Neighboring Mutually)的雷达信号聚类分选算法。该算法首先以信号脉冲为点、各点间的欧氏距离为线构建距离矩阵,然后在进行干扰数据剔除的情况下选定合适k值完成聚类矩阵的构建,最后采取遍历聚类矩阵的方法输出聚类结果,在删除无效的聚类后实现了雷达信号的聚类分选。通过仿真可知该算法在选取合适k值的情况下具有极高的正确率,证明了其有效性和可靠性。     

基于改进指纹聚类的WLAN定位优化方法

将K-means聚类算法应用到无线局域网（WLAN）位置指纹定位中，虽然可以缩短定位时间，但是容易降低定位精度。为了解决此问题，提出了基于改进指纹聚类的WLAN定位优化方法。首先根据接收信号强度标准差来优化初始聚类中心的选取,然后对指纹数据进行聚类处理,最后进行在线定位。实验结果表明，与传统的WLAN位置指纹定位方法和K-means聚类定位方法相比，基于改进指纹聚类的定位优化方法不仅缩短了定位时间，还能有效提高定位精度。     

动态合并聚类算法及其在城市科技创新能力评价中的应用

聚类分析是数据挖掘中研究和应用的一个重要部分,层次聚类是目前应用最为广泛的一种聚类方法。本文针对层次聚类不可逆,需要用户指定所期望得到的聚类个数和阈值作为聚类过程的终止条件等缺陷,提出了一种利用簇间差异度进行簇自动合并的动态聚类算法(DMCA),进而对江苏省13个地市技术创新能力做出了聚类分析及综合评价,验证了方法的可行性和有效性。数据处理结果表明,该方法可为相关管理部门提供科学量化的决策评价模型。     

浅谈模糊聚类及其应用

本文介绍了模糊聚类的分析方法,并从灰色关联度,灰色聚类,遗传算法与模糊聚类结合运用的角度说明了模糊聚类与其他方法的相互渗透使用,以及模糊聚类在模式识别,图像处理中的作用。     

浅谈模糊聚类及其应用

本文介绍了模糊聚类的分析方法,并从灰色关联度,灰色聚类,遗传算法与模糊聚类结合运用的角度说明了模糊聚类与其他方法的相互渗透使用,以及模糊聚类在模式识别,图像处理中的作用。     

一种新的基于粒子群密度的聚类算法

提出了一种新的粒子群密度聚类算法和对粒子群的初始化方法。该算法具有传统粒子群算法寻找最优解的特点,同时从密度的角度考虑了数据总体的分布,增强了寻找局部最优解的能力,并通过对粒子群的初始化加快了粒子群的收敛速度,得到了更好的聚类效果。对仿真数据和IRIS真实数据的实验结果证明,该算法聚类效果优于传统粒子群聚类算法和K均值算法。     

论灰色聚类法在膨胀土基坑坍塌预测中的应用

介绍了灰色聚类法在膨胀土基坑稳定性预测中的应用。以成都市龙泉驿区基坑工程为例,把影响膨胀土基坑稳定性的主要因素量化,并利用灰色系统理论中的灰色聚类法对膨胀土基坑的稳定性进行预测。结果表明,该预测方法不仅与实际具有较好的吻合性,而且易操作,可作为成都膨胀土基坑稳定性预测的一种方法。     

基于分层聚类的电子舌用于啤酒的识别

利用电子舌系统对6种品牌啤酒进行检测,所得数据运用分层聚类算法进行分析,观察其品牌分辨结果,评估聚类效果。在树状图中,不同品牌的啤酒样品分别被聚成一类,并无混淆现象发生,而且划分效果十分清晰明了,说明采用分层聚类算法的电子舌可以用于啤酒的识别。     

基于模糊KHM聚类的跳频网台分选方法

针对聚类分析实现跳频网台分选时，分选结果对初始聚类中心敏感且某些样本点“既可以属于类A也可以属于类B”的问题，提出了一种基于模糊K调和均值(KHM)聚类的跳频网台分选方法。首先利用搜索统计直方图位置法预估聚类数目和聚类中心，减少了算法的迭代次数；然后根据跳频信号的各项参数，应用模糊KHM聚类算法对跳频网台进行分选，有效解决了样本点的隶属度问题；最后通过类内类间距法估计得到准确的聚类数目K、聚类中心位置，大幅提升了聚类算法准确度。仿真结果表明，该算法聚类中心接近实际类中心，分选正确率高，迭代次数少。     

基于模糊聚类算法对网店规范化管理的探究

随着科技的发展信息技术的普及,网店、网上购物已经成为人们生活的一部分。据统计,2008年我国参加网上购物的人数已经达到3亿。电子商务的发展已成为一种历史潮流,但也正是随着电子商务的兴起,网络交易中的不规范行为急剧增多。本文首先介绍电子商务中存在的一些问题,再对这些问题进行分析,之后介绍模糊聚类算法的一种并给出基于聚类算法的网络监管的方法。最后,根据真实数据对算法进行仿真测试。     

基于相对曼哈顿距离的Web聚类算法研究

针对Web挖掘中的用户相似性问题,本文提出了一种基于相对曼哈顿距离的用户聚类算法。首先根据Web服务器日志数据信息,建立URL和用户关联矩阵,元素值分别为用户的访问次数及访问时间,并以此构建平均时间矩阵。在此基础上利用相对曼哈顿距离给出客户之间的距离,确定阈值后进行聚类。最后定义了类关联度,对聚类结果进行了确认和筛选,算例表明该算法具有良好的可操作性和准确性。     

基于数据流聚类的动态信号分选框架

为了解决雷达信号分选中准确性与实时性相矛盾的问题,提出了一种基于数据流聚 类的动态信号分选框架。该框架分为在线和离线两部分,在线部分利用网格帧保存侦察数据 的概要信息;离线部分通过网格聚类算法对网格帧进行聚类分选,并得到分选结果。仿真实 验表明,该框架能够分选高密度复杂侦察数据流,对噪声不敏感,且无需先验知识支撑,能 够较好地满足信号分选准确性和实时性的需要。     

基于区域生长和模糊C均值聚类的图像分割方法

为了合理地确定运用模糊C均值(FCM)聚类方法进行图像分割时的聚类中心数,从而对图像进行合理区域分割,提出了基于区域生长和FCM聚类的图像分割方法.该方法可以利用区域生长合理地确定要聚类的中心数,然后再依此聚类中心数利用FCM聚类算法对图像进行分割.实验结果表明,该方法可以准确地分割出目标,是一种有效的图像分割方法.     

一种加权聚类划分决策树算法

针对斜划分决策树算法普遍存在时间效率低、部分算法仅能应用于二分类问题,提出了一种基于加权距离的聚类决策树算法。通过Relief-F算法为预测属性计算权重,并将权重用于树结点中数据的聚类过程,使用分簇结果对结点进行多路划分,得到可直接用于多分类问题的决策树。理论分析和实验结果表明,该算法与经典轴平行决策树相比,拥有更好的泛化能力以及相近的算法时间复杂度,与大部分斜决策树相比,在付出更少计算代价的前提下,获得了近似的正确率以及模型简洁度。     

基于SPA聚类算法的我国物流需求规模预测分析

采用SPA聚类算法,对我国物流需求规模在未来的变化趋势进行了预测。从我国物流需求来看,至少在未来五年内我国物流需求规模仍然呈现较快的增长态势。从SPA聚类算法可行性来看,本文的实证结果验证了这种方法在预测领域的可靠性。