核模糊C均值算法的类别间可分性优化

随着的计算能力的不断提高和计算机体系结构的可编程性,将向着多核,众核的异质形核的方向继续发展。针对这一问题,本文对KFCM算法的类别间可分性优化进行了分析,通过对于FCM算法的数据集C划分、FCM算法和HCM算法的理论知识,解释了KFCM算法,对于样本的特征进行优化,将高维特征空间内的数据映射到内核函数中,将样本的有益特征扩大,到达快而准的聚类效果。经过仿真测试显示,KFCM算法模型聚类效果可以准确区分二者。     

模糊聚类的最优化算法

求与一个模糊相似矩阵“距离”最近的模糊等价矩阵，至今已提出了两个求局部最优解的算法和一些启发式算法，本文也提出一个简便可行的求局部最优解的算法，这算法与线性规划的单纯形算法一样，也是在有限个“顶点”上寻优。     

一种改进的模糊C-均值算法

提出一种改进的模糊C-均值算法。实现了算法中聚类数c及权指数m两个参数的确定方法。该算法能很好地实现参数快速、有效的确定。比传统FCM算法具有一定的优越性。     

基于改进的模糊聚类图像分割技术研究

主要研究图像分割技术。在传统的模糊C均值聚类图像分割算法基础上,加入了邻域像素的信息,大大地改正了模糊的隶属函数。实验表明,本文提出的算法较传统算法更加注重抗噪声能力。     

基于模糊C-均值聚类图像分割技术研究

主要研究了均值聚类图像分割问题。针对传统的聚类图像分割算法对图像地分割精度较低等问题,提出一种基于模糊控制的C-均值聚类快速图像分割新方法。本文采用快速模糊C-均值聚类算法对图像分割。实验结果表明,图像分割边缘清晰,分割效果明显优于传统的聚类图像分割算法。     

一种基于支持向量机的电力负载预测算法

提出了一种能够提高负荷预测精度的方法。在对历史电网运行数据进行处理时引入大数据挖掘技术,并且使用了支技向量机来进行电力系统短期负荷的预测新方式,对基于粒子群优化的支持向量算法进行了改进,提出基于相似日聚类的支持向量机的方法以对电网的负荷状态进行预测。以湘潭市的电力负荷数据为测试数据,进行两种算法结果的对比。结果表明:本文的算法在对比中具有较大的优势,数据预处理在预测的精度上有着非常重要的关联。     

基于网格的K-均值聚类分析算法的研究

在K-均值聚类分析算法和网格聚类算法基础上,对两种算法进行整合并提出了一种新的KG.CA聚类分析算法。通过对计算密度阀值的函数的改进,本文提出了一种基于网格的K-均值聚类分析算法。最后通过详细的数据分析和计算验证KGCA聚类分析算法可以有效降低凝聚度,和提高分离度从而有效提高聚类效率。     

基于模糊商空间的模糊聚类研究

基于模糊商空间的模糊C-均值算法（QFCM）是在模糊商空间和模糊模糊C-均值（FCM）的基础上提出的。通过引入相似函数并构造出归一化距离,得到模糊商空间的分层递阶的结构,在此基础上提出了基于粒度思想的准则函数并选择出一个最佳层次,从而确定聚类的个数,并选择具有相似度高的样本作为初始聚类中心,结合鲁棒性统计观点运用归一化距离来替代FCM目标函数中的欧式距离度量,提出了QFCM算法。实验证明与传统的算法比较,QFCM算法能够自动确定最佳聚类数目,发现大小不均的聚类,迭代次数少,有效地消除了传统FCM算法对初始值敏感,提高了算法的稳定性和准确率。     

基于K-均值聚类算法的医药制造业竞争力评价实证研究

构建医药制造业竞争力评价指标体系,运用数据挖掘技术(K-均值聚类算法)定量评价竞争力,得出相应结论,为政府和企业决策提供参考。     

基于模糊聚类与免疫算法的入侵检测

文章提出了一个基于模糊聚类和免疫算法的入侵检测系统.该系统引入了模糊C-均值聚类算法,对待检数据进行预处理,减少了需检测的数据量,改进了检测方法,提高了系统的检测效率和检测能力.     

模糊c均值聚类在wav格式音频检索中的研究

应用模糊c均值聚类方法对wav格式的音频检索。不同于以前为音频建模和分类的监督机制,而是通过对音频数据的特征进行模糊聚类形成聚类质心,根据聚类质心的相似度匹配来实现非监督机制的音频检索,并优化参数以提高检索准确度。     

基于分层遗传的新聚类算法应用于数据分类

针对FCM(模糊C均值聚类算法)对初始聚类中心的选取敏感以及梯度法易收敛到鞍点,在此基础上提出了一种分层遗传算法(HGA)优化的核模糊C均值聚类算法(HGA-KFCM)来提升聚类性能,首先用分层遗传算法(HGA)在全局筛选出高品质聚类中心以替代FCM的随机产生的聚类中心,再利用高斯径向核函数改变FCM中的距离函数并且重新定义目标函数,最终根据新参数进行迭代流程。在仿真实验中用两种数据集作为实验数据,利用FCM、HGA-KFCM以及其他三种聚类算法进行聚类测试,结果显示HGA-KFCM在一定程度上解决了FCM的缺陷,此外将新算法与另外三种性能不错的聚类算法在抗局部收敛能力,迭代次数和精度上比较,结果显示新算法具有良好的聚类性能。     

基于最近邻思想的K-均值算法

K-均值聚类算法是一种基于划分方法的聚类算法,本文通过对传统的K-均值聚类算法的分析,提出了一种改进的K-均值算法,并对该算法的时间复杂度和空间复杂度进行了分析。该算法在计算聚类中心点时采用了一种最近邻的思想,可以有效地去除＂噪声＂和＂孤立点＂对簇中平均值（聚类中心）的影响,从而使聚类结果更加合理。最后通过实验表明该算法的有效性和正确性。     

模糊C-均值聚类分析研究大亚湾水质空间分布规律

模糊C-均值聚类方法研究人类活动影响下大亚湾海域水体生态环境空间分布规律,揭示大亚湾水体生态环境空间分布分成两类区域:其一为受人类活动影响为主的大鹏澳、澳头以及大亚湾东北部区域;其二为受湾外南海海水交换影响较大的大亚湾南部、中部和东部海域。模糊C-均值聚类分析作为一种数据信息提取方法,为海洋环境生态研究提供新的方法。     

改进的K-均值聚类算法图像边缘检测研究

图像边缘检测一直是图像处理领域研究的重点问题。边缘是图像最基本的特征,本文采用了模糊K-均值聚类算法对图像进行边缘检测。该方法针对不同的图像找到相对比较有效的边缘检测算法,进而大幅度地减少了数据量,保留了图像重要的结构属性。通过mat lab实验,证明了该方法可以有效提取图像的边缘信息。     

FCM聚类算法的改进

模糊C均值(FCM)算法广泛地应用于模式识别、图像分割等领域。根据FCM算法存在对初始解敏感且迭代过程中计算量大的问题,本文提出了一种改进的算法:先通过精简数据集,减少算法迭代的时间;再使用密度函数法得到FCM算法的初始聚类中心,以减少FCM算法收敛所需的迭代次数。实验结果表明,改进后的算法较好地解决了类中心的初值化问题,提高了算法的收敛速度和运行效率。     

模拟退火K均值算法在文本挖掘中的应用

讨论了聚类分析及文本挖掘,分析了一种用模拟退火思想改进的K均值聚类算法在文本挖掘中的应用。传统的信息检索技术已经不适应日益增加的、大量文本数据处理的需求。如何从数据中分析和提取有用信息即文本挖掘已经成为数据挖掘中日益流行与重要的研究课题。     

一种基于OPENACC指令加速的均值模糊算法

目前,计算机系统普遍使用GPGPU设备加速计算,但使用底层API进行加速计算繁琐而又缺乏效率,运用基于指令的高级抽象编程可以解决这个问题。运用均值模糊算法体验OPENACC的用法,OPENACC通过指令把c或c＋＋中的计算紧密代码转移到GUP中。比较了分别使用CPU、OPENACC、CUDA实现均值模湖算法的性能表现,虽然CUDA有不错的性能,但相对于低下的开发效率和陡峭的学习曲线而言,OPENACC只用十几行代码就可以取得可观的加速比,而且随着编译器和硬件技术的发展,指令制导编译有越来越大的发展空间。