基于模糊C均值聚类的嵌入式数据库并行推荐算法

嵌入式网络数据库优化访问的关键是对访问目标数据的准确推荐和挖掘,以实现数据的准确检索。提出一种基于模糊C均值聚类的嵌入式数据库并行推荐算法,构建嵌入式数据的数据结构模型,进行数据信息流属性集特征提取。采用模糊C均值聚类算法实现属性分类,以此实现嵌入式数据的库并行推荐和挖掘。仿真结果表明,采用该算法进行数据库访问,精度较高,执行时间较短,性能优越。     

基于层次的模糊K均值聚类算法研究

通过对K均值聚类算法的研究,本文提出了一种基于层次聚类与模糊聚类思想的K均值聚类算法。算法首先使用层次方法对数据进行初始聚类,然后用得到的聚类数作为模糊K均值聚类中的K值,对聚类进行修正。最后通过实验,验证了该算法不需要人为假设聚类算法中的K值,而且引入了模糊隶属关系使类别的划分更接近于事实,从而证明了该算法的有效性。     

应用模糊C均值聚类法判别同调机群正确性研究

利用BPA软件以新英格兰10机39节点系统为例,验证模糊C均值聚类法判别同调机群的正确性。     

基于模糊C均值聚类的中药材鉴别研究

以中药材的中红外光谱数据为聚类分析对象,通过提取影响药材类别的关键特征波数,采用主成分分析结合模糊C均值聚类建立了中药材的鉴别模型。该模型可实现对中药材样本数据的快速鉴别,为中药材鉴别问题的研究提供借鉴。     

应用模糊C均值聚类法判别同调机群正确性研究

利用BPA软件以新英格兰10机39节点系统为例,验证模糊C均值聚类法判别同调机群的正确性。     

聚类算法在B2C电子商务客户细分中的应用

B2C电子商务的竞争对个性化服务提出更高的要求,聚类分析是在数据挖掘的基础上,根据Web用户的行为模式,将具有相似属性的用户分为一簇.最大最小距离算法按照 某种策略,选取离得尽可能远的客户作为初始中心,努力得到客户群一个比较好的初始划分,显著提高聚类质量,为电子商务企业了解客户、挖掘客户、制定营销策略,提供有力帮助.     

基于灰狼优化的模糊C-均值聚类算法

针对模糊C-均值聚类算法(FCM)存在易受初始聚类中心影响和容易陷入局部最优的问题,提出了一种将灰狼优化算法(GWO)和模糊C-均值相结合的新聚类算法（GWO-FCM）。该算法利用GWO算法强大的全局寻优能力对FCM算法的聚类中心进行优化,模拟灰狼优秀的搜寻猎物行为找到一组最佳聚类中心来提高FCM的聚类效果。通过UCI数据集的仿真结果和算法比较验证了该算法的有效性。     

基于模糊C均值的异常流量检测模型

对网络进行流量异常检测,流量出现异常后再对数据包进行分析,通过这种方法能够降低系统开销,聚类算法是一种有效的异常入侵检测方法,可用在网络流量异常检测中,用于判定当前网络流量是否出现异常,本文将模糊C均值算法应用于流量异常检测模型中,通过实验,该模型能够有效检测出流量的异常状态．     

模糊c均值聚类在交通流高峰期确定中的应用

交通流高峰期是交通规划、交通控制中一个非常重要的概念．目前高峰期一般是凭经验人为确定的．文章利用模糊c均值聚类方法对交通流高峰期的确定问题进行研究．首先对模糊c均值聚类算法进行简要介绍,然后利用该算法对某城间高速公路交通流数据进行聚类分析,分别确定了该高速公路正、反向交通流的高峰期．结果表明,该算法聚类结果与经验交通流高峰期基本一致．     

基于改进模糊C均值聚类的心脏图像分割方法

针对医学图像进行分割时,存在的高噪声、低对比性及高相关性问题,提出了一种改进的模糊C均值聚类算法用于心脏医学图像的分割。考虑到噪声的存在,像素的领域信息易受到污染,导致聚类中心发生偏移,影响心脏图像的聚类效果,因此根据邻域像素的非局部噪声强弱定义了一个可以反映图像空间结构信息的自适应参数,用于聚类算法的线性加权,加强对噪声的抑制作用。实验证明,相比模糊C均值聚类算法和其他传统的图像分割方法,提出的算法对心脏医学图像具有更准确的分割效果。     

改进的模糊聚类在分类器设计中的应用

提出了一种基于改进的模糊C均值算法的分类器设计方法。该方法解决了分类过程中样本点分散和样本错分的问题。其基本思想是:在样本决策函数中引入隶属度函数,为了避免传统的隶属度函数归一化问题,引入放松的归一化条件,利用决策函数根据条件求偏导,得到经过训练的分类器。采用UCI标准进行数据集实验,实验结果表明,该算法具有一定的优越性。     

一种改进的核模糊聚类算法

针对核模糊C-均值聚类算法中隶属度的计算特点,提出了一种改进的核模糊C-均值算法。改进后的算法是,在更新对象类的隶属度之前先判断对象是否可能属于该类。如果对象可能属于该类,则为其分配一个大于0的隶属度,否则直接将其隶属度置为0。针对不同测试数据集的实验结果表明,改进后的核模糊C 均值算法提高了聚类效果,是一种可行有效的算法。     

鲁棒性模糊C-均值聚类算法

针对模糊C-均值聚类算法（FCM）在参数输入受人为限定,且在系统应用中易受噪声或孤立点数据的干扰等缺点,提出一种鲁棒性FCM聚类算法（RFCM）,以降低噪声或孤立点的影响。     

基于K均值聚类的网络客户实证性研究

利用对某网络公司的客户数据使用K均值聚类方法,针对数据中存在的缺失和变量共线性严重的情况,对数据进行预处理。通过选择出符合分类目的的变量得出可用于聚类的完整数据集。然后通过建模对客户进行分类,利用已人为分类的100个样本为训练集。     

模拟退火算法在模糊模式识别中的应用研究

本文首先对模糊C-均值聚类作了简要分析和评论，在此基础上将模拟退火机制引入其中，以克服模糊C-均值聚类的局部性和对初始聚类中心的敏感性；然后，采用了基于贴近度和择近原则的模糊识别方法，文中分析了格贴近度的不足之处，并对之进行了改进；最后，详细设计了上述各算法。仿真结果说明，该方法在识别速度和准确率方面都达到了令人满意的效果，为种子的在线检测提供了一种新思路，也拓展了模糊理论的应用范围。     

基于模糊C-均值聚类方法的石油钻井工作状态分析

采用鄂北6个录井样本点的钻头位置、井深、大钩负荷、立压、钻压、出口流量等指标共100个实际钻井数据进行了模糊C-均值聚类分析;在经验知识匮乏、存在无效数据和干扰的情况下,计算出了较为符合实际情况的聚类中心矩阵和聚类结果矩阵;根据标志样本点工作状态对样本进行了基本正确的分类,画出了模糊聚类关系图.     

关于模糊C-均值（FCM）聚类算法的改进

对模糊C-均值聚类算法的改进,即在原有的模糊C-均值算法的基础上,用一种新的定义距离的方法替代欧氏空间中距离的定义,改进模糊聚类算法。并且用数据仿真验证这种改进的模糊聚类算法与原来算法相比,聚类效果更好,分类更清晰。     

两种聚类算法在欠定稀疏盲分离中的比较

欠定稀疏盲分离算法主要是采用"两步法":第一步用混叠信号估计混叠矩阵;第二步根据估计的混叠矩阵求解源信号.在两步法中,C-均值聚类算法和模糊C-均值聚类算法常用来估计混叠矩阵,这两种聚类的研究理论都较成熟,故它们得到很大的应用.该文在欠定稀疏盲分离中,比较了这两种算法.试验结果表明,模糊C-均值聚类算法比C-均值聚类算法估计混叠矩阵更加精确,恢复源信号精度更高,但算法复杂,分离的时间长.     

模糊决策树在电力客户满意度评价中的应用

电力企业要树立“以客户满意为核心”的市场营销观念,建立合理、全面的评价指标体系,计算电力客户满意度指教则显得至关重要．借鉴国内外客户满意度相关理论,从供电质量、服务质量、公司形象与客户关系4个方面构建了电力客户满意度评价指标体系,并通过模糊决策树分析得出模糊规则,以便决策者及时准确地调整服务,提高用户满意度．     

基于K-means聚类算法的客户细分探讨

重点讨论了聚类分析方法中K-means聚类算法在客户价值分析中的作用,通过对客户的现有价值和潜在价值进行分析,对客户进行细分。在此基础上,企业可结合行业的特征找出各类客户的特点,实行差异化服务策略,让更好的资源和服务提供给最有价值客户,从而达到顾客满意、企业盈利的目的。