一种基于谱聚类算法的高光谱遥感图像分类方法

结合K-means算法和谱聚类方法的优点,提出一种新的高光谱图像聚类方法。该方法在对高光谱图像数据进行特征降维的基础上,采用K-means算法对图像进行粗聚类处理,然后采用谱聚类方法对粗聚类结果进行较高精度的聚类。与K-means聚类算法相比,该方法有效提高了高光谱图像聚类的分类精度。对模拟数据和真实的高光谱数据的对比实验表明,相对于K-means和谱聚类方法,该方法具有良好的聚类性能。     

一种基于聚类的入侵检测新方法

根据目前应用于入侵监测的算法中普遍存在的对输入顺序敏感,无法自适应地确定参数以及需要大量的训练数据等问题,且k-means算法存在初值选取的问题,因而提出一种新的聚类算法进行入侵行为的监测。该方法的优点是对输入数据顺序不敏感以及能够比较准确地选择聚类的初值。实验中采用了KDD99的测试数据,结果表明该方法可以比较有效地检测真实网络数据中的已知和未知的入侵行为。     

一种基于聚类的综合指标评价模型

文章根据聚类分析和模糊相似矩阵理论,采用基于模糊聚类的综合排序方法,提出一种基于聚类的指标综合评价模型,并通过实例应用验证了这个模型的可用性。借助该模型对多目标决策中的决策指标项进行综合评价,可为决策者提供有效的决策依据。     

一种基于分布的空间聚类算法

提出一种基于最近邻居距离分布的空间聚类算法——NNDDB算法.实验分析表明,与划分聚类算法CLARANS相比,NNDDB能动态地决定聚类数目且能发现任意形状的聚类;与密度聚类算法DBSCAN相比,NNDDB算法无输入参数;在效率方面,NNDDB算法对于大型数据库是有效的.     

一种基于密度最大值的聚类算法

提出了一种结合了基于密度聚类思想的划分聚类方法——"密度最大值聚类算法(MDCA)",以最大密度对象作为起始点,通过考察最大密度对象所处空间区域的密度分布情况来划分基本簇,并合并基本簇获得最终的簇划分.实验表明,MDCA能够自动确定簇数量,并有效发现任意形状的簇,对于未知数据集的处理能力和聚类准确度都优于传统的基于划分聚类算法.     

SA-DBSCAN:一种自适应基于密度聚类算法

DBSCAN是一种经典的基于密度聚类算法,能够自动确定簇的数量,对任意形状的簇都能有效处理.DBSCAN算法需要人为确定Eps和minPts?2个参数,导致聚类过程需人工干预才能进行.在DBSCAN的基础上提出了SA-DBSCAN聚类算法,通过分析数据集统计特性来自动确定Eps和minPts参数,从而避免了聚类过程的人工干预,实现聚类过程的全自动化.实验表明,SA-DBSCAN能够选择合理的Eps和minPts参数并得到较高准确度的聚类结果.     

一种结合蚁群聚类算法的DBSCAN算法

DBSCAN算法对输入参数Eps敏感,尤其当数据密度分布不均时,采用全局Eps导致聚类效果差;该算法对高维数据的处理能力也不理想。提出一种改进的DBSCAN算法LF-DBSCAN,结合蚁群聚类算法实现数据集的划分以获取参数Eps的值组,然后根据不同的Eps值分别调用DBSCAN算法,从而实现对非均匀数据集的聚类。实验结果表明,改进后的算法的有效性有所提高。     

基于一种新的核聚类方法生成RBF核的支持向量机

为弥补具有径向基函数(radial basis function, RBF)核的支持向量机(support vector machine, SVM)的不足,即如何获得合适的RBF核并且包含更多的数据信息,提出一个关于核聚类的有效方法。该方法通过关于核数目、中心、宽度的一些公式来生成核。这个生成方法可以容易、合理、优化地获得核。在美国邮政手写数字数据集(记为USPS)和字母识别数据集(记为Letter)上的试验可以验证,具有这些新生成的RBF核的SVM拥有更少更合理的核以及更高的分类性能。通过这个新提出的方法,可以处理更多的大规模分类问题。     

文本聚类算法的质量评价

文本聚类是建立大规模文本集合的分类体系实例的有效手段之一。本文讨论了利用标准的分类测试集合进行聚类质量的量化评价的手段,选择了k-Means聚类算法、STC（后缀树聚类）算法和基于Ant的聚类算法进行了实验对比。对实验结果的分析表明,STC聚类算法由于在处理文本时充分考虑了文本的短语特性,其聚类效果较好;基于Ant的聚类算法的结果受参数输入的影响较大;在Ant聚类算法中引入文本特性可以提高聚类结果的质量。     

基于Universum学习的核聚类方法

为解决原始核聚类(Kernel Clustering, KC)中模式信息不足、聚类结果不佳的缺点,以KC为基础,利用Universum学习带来的优势,提出基于Universum学习的核聚类(Universum learning based Kernel Clustering, UKC)方法.首先利用Universum学习生成相应的Universum模式,再利用KC算法把数据集分割成多个簇,最后利用每个簇中所包含的Universum模式和训练模式来更新该簇,从而使得这些簇更加合理.实验表明,该算法可以更好地改善聚类效果和分类器的分类性能、泛化能力和计算效率.虽然该方法的步骤比KC多,但是其较好的聚类性能可以帮助人们处理分类问题.     

基于改进K中心点聚类的船舶典型轨迹自适应挖掘算法

针对目前船舶典型轨迹的挖掘多以轨迹段作为基本单元,导致聚类对象较为复杂且聚类参数难以确定的问题,本文提出一种基于改进K中心点聚类的船舶典型轨迹自适应挖掘算法。算法以轨迹点作为聚类对象,分析船舶的航速、航向特征并对轨迹点进行压缩;将分段均方根误差引入K中心点聚类算法,实现聚类参数的自适应选择;提取其中的聚类中心点作为轨迹特征点,得到不同类别船舶的典型轨迹。以天津港主航道船舶自动识别系统（automatic identification system, AIS）数据为例,基于地理信息系统平台ArcGIS实现聚类结果的可视化展示。实验结果表明,运用该算法得到的船舶典型轨迹与实际相符,自适应程度较高。研究结果对于辅助船舶轨迹异常检测及挖掘海上交通特征具有重要意义。     

基于聚类分析的集装箱码头堆场策略

为提高集装箱码头堆场的利用率,对集装箱码头出口箱堆存策略进行研究.该研究基于堆场大量的历史数据,采用数据库统计查询技术对堆场原始数据进行选择、处理、分析,得到初始数据集合;然后选取数据分析方法中的聚类分析方法并采用基于密度及密度可达的聚类算法,通过软件编写程序实现该算法.通过初始数据集在程序中的运算得到结果簇,然后对该结果簇进行分析,得到出口箱堆场堆存的基本规则.仿真验证该方法的有效性,表明该方法可为集装箱码头制定出口箱堆存策略提供帮助,从而提高集装箱码头的效益.     

基于动态K均值聚类算法的SAR图像分割

针对SAR图像的分割问题,对K均值聚类算法进行研究.分析动态K均值聚类算法,用聚类样本数的正比函数对该聚类适应度函数进行平均,改进适应度函数的计算.毫米波SAR图像分割实验结果表明,对于城区建筑及路、桥场景的分割,改进后的动态K均值聚类算法和自适应动态K均值聚类算法的分割质量与改进前相同,但是分割时间有一定的减少,改进适应度函数后分割效率得到了提高.     

基于灰色变权聚类的船舶应急疏散模型

为提高紧急状态下港口船舶的疏散效率和港口的安全性,考虑影响船舶疏散顺序的多种外界干扰因素,建立基于灰色变权聚类的船舶应急疏散模型.该模型将船舶按疏散优先级归入预先设定的级别中,同优先级的船舶的疏散顺序依据具体实际情况确定.实例结果表明该模型能较好地反映实际情况.该模型对港口当局制定船舶疏散预案有一定参考意义.     

一种基于k-means聚类的航运信息孤立点分析算法

为了从大量含噪的航运信息中挖掘出有用的知识,研究孤立点探测方法在航运信息处理中的应用.首先在对k-means聚类算法分析的基础上,定义中位数的概念及孤立点的判断标准,提出一种基于k-means聚类的孤立点分析算法;然后,针对航运信息的特点,采用一维数据和多维数据异常点探测方法挖掘AIS数据库中的异常信息.实验结果证明,基于k-means聚类的算法对孤立点更敏感,能够探测到一维统计方法中探测不到的异常点     

基于改进谱聚类算法的航路辨识

为解决船舶自动识别系统(automatic identification system, AIS)数据挖掘不够充分,对航路辨识分析不够全面等问题,提出一种基于改进谱聚类算法的数据挖掘方式。利用Sliding Window算法对船舶轨迹AIS数据进行压缩,减少数据冗余提高聚类效率。改进亲和距离函数,提出新的亲和矩阵的标准,提高聚类的稳定性,进一步对数据去噪,减少噪声敏感。通过优化初始中心对k均值算法进行改进,优化全局搜索能力,缓解初始值的选取对聚类效果的影响。以天津港AIS数据为样本进行算法验证。结果表明,该聚类算法能准确提取和划分某水域船舶主要航迹段,算法消耗系统资源少,计算速度快。改进后的算法可为航路辨识、分道通航制定等提供理论支持。