浅谈聚类算法及其存在的问题

数据挖掘的一个重要研究方向是聚类分析。聚类是指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的过程。通过聚类使得同一组内的数据对象具有较高的相似度,而不同组中的数据对象相似度较低。本文简单介绍了几种常见的聚类分析算法及这些算法普遍存在的一些问题。     

数据挖掘中模糊理论的组合运用

模糊算法的组合运用是数据挖掘的一种重要手段。本文通过运用模糊聚类分析技术,对数据仓库中数据进行模糊划分,得到聚类中心;聚类中心又可作为模糊模式识别的标准模型库,进而对新样本进行模糊模式识别。通过模糊聚类分析和模糊模式识别的组合运用,使数据挖掘系统成为一个自适应的闭环系统。     

改进的聚类分析算法及其在我国高速公路事故预防中的应用

聚类分析是数据挖掘中很重要的理论和工具,在融合聚类分析技术的基础上,运用模糊聚类提出我国高速公路安全事故原因聚类分析的方法,并利用实际数据进行分析,得出高速公路事故高发的原因的聚类划分,提出预防和控制方案。这是聚类分析在高速公路管理中的一种创新应用,对高速公路管理部门具有一定的参考价值。     

谱聚类算法及其在SAR图像分割中的应用研究

谱聚类算法作为一种高效的智能聚类算法被广泛地研究与应用,它与传统的聚类算法相比,具有明显的优势。文章首先对谱聚类理论进行了概述,介绍了图划分准则、谱松弛及谱聚类算法,后介绍算法在SAR图像分割中的应用,并对分割时出现的一些问题加以分析和讨论,对研究谱聚类算法及其对SAR图像的分割具有一定得理论参考。     

基于模糊聚类的客户分类应用研究

为解决客户关系管理中的客户分类问题，引入了模糊聚类分析算法。通过分析客户购买力的单因素数据矩阵，以客户胸买力之间相似程度作为聚类指标，应用模糊聚类分析法，求得客户的相对隶属度，从而为客户类别的划分提供科学分类依据。在特征函数确定问题上，提出了结合2/8营销理论的一种新方法。     

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。     

银行信贷客户的聚类

本文着重研究了对传统的K-means算法它在银行客户分类方向的应用与实现.首先介绍了数据挖掘的基础理论,然后介绍了聚类分析算法的基础理论,详细介绍了K-means聚类算法,分析了该算法的优缺点,之后定义了银行客户进行聚类.最后,本文按照已经建立的银行客户分类模型,对来自东北某家银行财务部的详细交易数据,进行实际的银行客户聚类实验.最后对聚类结果进行了详细的分析和总结.     

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。     

浅谈大数据挖掘中数学的运用

随着国民经济的不断增长,科学技术的不断创新,大数据挖掘技术发展得到了质的飞跃。在大数据挖掘过程中,数学知识方法的运用至关重要,数学是对大量数据展开分析处理工作的基础。在数据处理分析中可以合理运用数学中的回归分析法、描述性分析法及相关性分析法等。在展开数据挖掘工作时,聚类分析是最为重要的一种数学方法。聚类分析法在数据挖掘中的应用内容主要通过灰色关联分析法、目标函数模糊方法及区间值算法进行体现。相关科研人员和社会学者要充分发挥出数学理论知识在大数据挖掘中的价值作用,促使大数据挖掘技术能够帮助人类解决各种实际生活问题,获取到各种高价值的数据信息。     

一种基于集合的Web用户会话实时聚类算法

随着互联网的普及和电子商务、个性化推荐技术等的发展,Web使用挖掘成为了数据挖掘的新的研究热点。针对Web用户会话聚类,提出了一种基于序列对集合的用户会话实时聚类方法。对聚类算法进行了分析与比较,给出了时空复杂度,实验比较了BOM算法与BOC算法的效率,并验证了BOC算法的有效性与时效性。     

基于高维聚类技术的中文关键词提取算法

关键词提取是中文信息处理技术研究中的热点和难点,基于统计信息的方法是其中一个重要分支。本文针对基于统计信息关键词提取方法准确率低的问题,提出基于高维聚类技术的中文关键词提取算法。算法通过依据小词典的快速分词、二次分词、高维聚类和关键词甄选4个步骤实现关键词的提取。理论分析和实验显示,基于高维聚类技术的中文关键词提取方法具备更好的稳定性、更高的效率和更准确的结果。     

一种基于贪心EM的改进预测算法

本文主要研究了Motif预测算法,在贪心EM预测算法基础上进行分析优化,并形成新的预测方法。工作重点是在参数的初始化,对参数模型的重新划分并引入Kd-树的层次聚类的方法,建立新的PKG算法。预测结果表明,在预测较大数据集方面新算法有一定的优势,尤其是对同一物种的序列预测具有更强的搜索和分类能力,在没有影响时间复杂度的前提下显著的提高了搜索的效率。     

Emergent clustering methods for empirical OM research

To date, the vast majority of cluster analysis applications in OM research have relied on traditional hierarchical (e.g., Ward's algorithm) and nonhierarchical (e.g., K-means algorithms) methods. Although these venerable methods should continue to be employed effectively in the OM literature, we also believe there is a significant opportunity to expand the scope of clustering methods to emergent techniques. We provide an overview of some alternative clustering procedures (including advantages and disadvantages), identify software programs for implementing them, and discuss the circumstances where they might be employed gainfully in OM research. The implementation of emergent clustering methods in the OM literature should enable researchers to offer implications for practice that might not have been uncovered with traditional methods.     

基于WEKA平台的文本聚类研究与实现

文本聚类是文本挖掘领域的一个重要研究分支,是聚类方法在文本处理领域的应用。本文首先对基于空间向量模型的文本聚类过程做了较深入的讨论和总结。另外,本文回顾了现有的文本聚类算法,以及常用的文本聚类效果评价指标。在研究了已有成果的基础上,本文利用20Newsgroup文本语料库,针对向量空间表示模型,在开源的数据挖掘平台WEKA上实现了文本预处理和k-means聚类算法,并根据实际聚类效果,就文本表示、特征选择、特征降维等方面提出优化方案。     

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。     

MPLS网络负载均衡的聚类算法研究

在分析了常用的几种QoS保障的算法基础上,给出了负载均衡模型,提出应用数据挖掘中的聚类算法求解MPLS网络负载均衡问题。该算法融入权重信息有效地提高了搜索效率。仿真结果证明算法是有效的,显著改善了传统MPLS网络负载均衡路由算法易于导致的网络流量分布不均衡的状况。     

数据挖掘技术在资源共享课程建设中的研究

本文在传统网络教学和资源共享课程系统平台的基础上,运用数据挖掘技术对资源共享课程数据挖掘技术进行智能化的优化。在资源共享课程建设数据库中建立基于数据分析的数据仓库,采用关联计算,聚类分析,TF-IDF等方法,找到系统中资源之间的内在联系,使系统资源智能地跟踪用户操作,为资源共享课程的网络平台教学活动提供更人性化的服务。     

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。