聚類(lèi)

)0 引 言初始聚類(lèi)中心對(duì)K-means聚類(lèi)結(jié)果影響極大。經(jīng)典的K-means聚類(lèi)算法采用隨機(jī)選取初始聚類(lèi)中心的方式，有以下不足：① 易導(dǎo)致聚類(lèi)結(jié)果的不穩(wěn)定；② 有取得離群點(diǎn)作為初始聚類(lèi)中心的可能；③ 某些初始聚類(lèi)中心可能離群體太遠(yuǎn)，有的初始聚類(lèi)中心可能相互之間隔得太近。為克服這些缺點(diǎn)，文獻(xiàn)[1-3]分別采用構(gòu)造最小生成樹(shù)、最短路徑加權(quán)屬性圖、最大最小距離MMD(Max-Min Distance)算法計(jì)算K-means的初始聚類(lèi)中心，獲得了一定的效果。但實(shí)

學(xué)習(xí)情況下的數(shù)據(jù)聚類(lèi)分析研究不僅在理論上取得了長(zhǎng)足的發(fā)展，如文獻(xiàn)中提到的ET-SSE[1]、OLDStream[2]、k-MS[3]、SDPC[4]及最小誤差平方和K-means初始聚類(lèi)中心優(yōu)化[5]等算法，并且還廣泛應(yīng)用于圖形圖像處理[6]、文本分析[7]、視頻處理[8]、網(wǎng)絡(luò)輿情分析[9]、交通導(dǎo)航和各類(lèi)推薦系統(tǒng)等各個(gè)領(lǐng)域。K-means 模型是最基本和最重要的聚類(lèi)算法之一。該模型在歐幾里得空間定義了包含n個(gè)向量元素的數(shù)據(jù)集D={d1,d2,…,dn}

云計(jì)算的數(shù)據(jù)挖掘聚類(lèi)算法。數(shù)據(jù)挖掘聚類(lèi)指的就是盡可能復(fù)用前人已經(jīng)完成的人工識(shí)別工作，從而提高工作效率。解決形式上的數(shù)據(jù)挖掘聚類(lèi)問(wèn)題并不困難，最簡(jiǎn)單直接的辦法就是為各種基本數(shù)據(jù)格式兩兩之間開(kāi)發(fā)一個(gè)轉(zhuǎn)換器，因?yàn)榱餍械臄?shù)據(jù)格式數(shù)量不多，并且轉(zhuǎn)換規(guī)則明確，這是一個(gè)只要投入一定人力就能解決的問(wèn)題[2]。但語(yǔ)義上的數(shù)據(jù)挖掘聚類(lèi)比較復(fù)雜，因此，本文進(jìn)行基于云計(jì)算的數(shù)據(jù)挖掘聚類(lèi)算法研究。1 基于云計(jì)算的數(shù)據(jù)挖掘聚類(lèi)算法研究考慮到傳統(tǒng)的數(shù)據(jù)挖掘聚類(lèi)算法已經(jīng)不能滿(mǎn)足對(duì)海量數(shù)據(jù)

朋 李先鋒 徐靜聚類(lèi)分析的目標(biāo)是依據(jù)對(duì)象之間的相似度對(duì)其自動(dòng)分組/簇,使得簇內(nèi)對(duì)象彼此相似度盡量高,而簇間對(duì)象彼此相似度盡量低[1?2].雖然已有上千種聚類(lèi)算法,但沒(méi)有一種能有效識(shí)別不同大小,不同形狀,不同密度甚至可能包含噪聲的簇[1].已有聚類(lèi)方法主要分為:1)基于劃分的方法,將聚類(lèi)問(wèn)題轉(zhuǎn)化為優(yōu)化問(wèn)題,并采用不同的優(yōu)化策略,例如,K均值算法(K-means,KM)[3]、非負(fù)矩陣分解(Nonnegative matrix factorization,NM

其重要組成部分的聚類(lèi)分析技術(shù)已廣泛用于數(shù)據(jù)分析、圖像處理、市場(chǎng)研究等多種領(lǐng)域[1-3]。聚類(lèi)分析根據(jù)數(shù)據(jù)特征將其進(jìn)行分類(lèi)，盡可能突顯類(lèi)與類(lèi)之間的差距，使類(lèi)的數(shù)據(jù)差距盡可能相近，即擁有相似特征的數(shù)據(jù)被聚為一類(lèi)。聚類(lèi)分析同時(shí)也是一種無(wú)監(jiān)督的學(xué)習(xí)過(guò)程，很難選擇最佳聚類(lèi)分析方法并達(dá)到有效聚類(lèi)個(gè)數(shù)。目前對(duì)聚類(lèi)算法的研究及應(yīng)用集中在兩個(gè)方面：(1)聚類(lèi)算法改進(jìn)。眾多專(zhuān)家和學(xué)者對(duì)數(shù)據(jù)聚類(lèi)方法算法進(jìn)行了改進(jìn)和創(chuàng)新，包括K-means聚類(lèi)、系統(tǒng)聚類(lèi)、兩步聚類(lèi)，以提高算法精確

WSN提出了很多聚類(lèi)方法，其中，節(jié)約能耗是這類(lèi)協(xié)議的主要目標(biāo)。聚類(lèi)協(xié)議的操作通常分為三個(gè)階段：聚類(lèi)頭選舉、聚類(lèi)形成以及數(shù)據(jù)傳輸。每一個(gè)協(xié)議的主要部分都是聚類(lèi)頭選舉算法，因?yàn)樗芏x一個(gè)網(wǎng)絡(luò)的能效。除了能效，聚類(lèi)協(xié)議還有其他的聚類(lèi)目標(biāo)，例如覆蓋率和容錯(cuò)性等。本文旨在綜述WSN中近十年的聚類(lèi)協(xié)議。首先，本文討論了WSN中的聚類(lèi)目標(biāo)和聚類(lèi)特征分類(lèi)，然后詳細(xì)概述了各個(gè)聚類(lèi)協(xié)議的聚類(lèi)頭選舉與維護(hù)過(guò)程，最后統(tǒng)計(jì)并分析了這些聚類(lèi)選舉的聚類(lèi)特征和選舉聚類(lèi)頭節(jié)點(diǎn)的考慮因素。

71)改進(jìn)K均值聚類(lèi)算法楊 娟，屈傳慧(西安電子科技大學(xué)，陜西 西安 710071)K均值聚類(lèi)算法因需給定聚類(lèi)中心數(shù)，使得聚類(lèi)結(jié)果受初始化中心數(shù)的影響很大。介紹了K均值聚類(lèi)法的概念，并引入層次聚類(lèi)的概念，采用先分解后合并的思想對(duì)K均值法進(jìn)行了改進(jìn)，對(duì)改進(jìn)后算法進(jìn)行了仿真驗(yàn)證。K均值；聚類(lèi)算法；分解合并0 引 言聚類(lèi)，就是將樣本分配到不同類(lèi)的過(guò)程[1]。聚類(lèi)的基礎(chǔ)為樣本之間的相異性，聚類(lèi)即尋找樣本之間的相似度對(duì)樣本進(jìn)行劃分。目前，常用的聚類(lèi)方法包括：劃分聚類(lèi)

”[15].目前聚類(lèi)方式有三類(lèi)：一是系統(tǒng)聚類(lèi)，用于對(duì)小樣本的對(duì)象間聚類(lèi)以及對(duì)變量聚類(lèi)。二是有序樣品聚類(lèi)，對(duì)有排序次序的樣本的對(duì)象間聚類(lèi)，要求是次序相鄰的對(duì)象才能聚為一類(lèi)。三是動(dòng)態(tài)聚類(lèi)，適用于樣本量大時(shí)對(duì)象間的聚類(lèi)，一般用k-means法處理。由于內(nèi)部審計(jì)一般依靠歷史數(shù)據(jù)，提出有價(jià)值的工作建議，所以由于涉及內(nèi)部審計(jì)的業(yè)務(wù)數(shù)據(jù)量較大，所以本文采用第三種聚類(lèi)分析方式。The traditional GMM has several advantages.It do

高斯加權(quán)距離以及聚類(lèi)重構(gòu)機(jī)制的K-NN文本聚類(lèi)算法。文章提出K-NN近鄰域的概念，通過(guò)高斯加權(quán)的近鄰域算法實(shí)施K-NN聚類(lèi)。利用高斯函數(shù)根據(jù)樣本與聚類(lèi)中心的距離為樣本賦權(quán)，計(jì)算聚類(lèi)距離。基于近鄰域權(quán)重和聚類(lèi)密度對(duì)形成的聚類(lèi)實(shí)施重構(gòu)，實(shí)現(xiàn)聚類(lèi)數(shù)目的自適應(yīng)調(diào)整。使用拆分算子拆分稀疏聚類(lèi)并調(diào)整異常樣本；使用合并算子合并相似聚類(lèi)。實(shí)驗(yàn)顯示聚類(lèi)重構(gòu)機(jī)制能夠有效地提高聚類(lèi)的準(zhǔn)確率及召回率，增加聚類(lèi)密度，使得形成的聚類(lèi)結(jié)果更加合理。文本聚類(lèi)；K-NN算法；高斯加權(quán)；近鄰

到的所有點(diǎn)元進(jìn)行聚類(lèi)。點(diǎn)元聚類(lèi)是指將所有檢測(cè)到的屬于一個(gè)真實(shí)目標(biāo)的雷達(dá)點(diǎn)元進(jìn)行歸類(lèi)的操作。雷達(dá)點(diǎn)元聚類(lèi)不僅有助于降低檢測(cè)虛警概率，同時(shí)有助于真實(shí)目標(biāo)的識(shí)別以及目標(biāo)跟蹤點(diǎn)的選取。點(diǎn)元聚類(lèi)應(yīng)同時(shí)具有完備性和排他性，即在將所有屬于同一目標(biāo)的點(diǎn)元?dú)w為一類(lèi)的同時(shí)，將不屬于該目標(biāo)的點(diǎn)元排除。本文主要介紹了三種點(diǎn)元聚類(lèi)常用的算法：圓心半徑聚類(lèi)算法、邊緣聚類(lèi)算法和逐點(diǎn)聚類(lèi)算法，并對(duì)這三種算法的聚類(lèi)效果以及聚類(lèi)時(shí)間進(jìn)行了比較。1 圓心半徑聚類(lèi)算法圓心半徑聚類(lèi)算法是一種較簡(jiǎn)單

475004）聚類(lèi)算法在數(shù)據(jù)分析和模式識(shí)別領(lǐng)域都扮演著重要的角色，其目的是將相似對(duì)象聚為一類(lèi).在目前計(jì)算機(jī)視覺(jué)的研究中存在的困難是如何有效地提高聚類(lèi)算法的性能.作為一種有效的數(shù)據(jù)分析方法，聚類(lèi)算法在計(jì)算機(jī)視覺(jué)、信息檢索及數(shù)據(jù)挖掘等領(lǐng)域都有廣泛的應(yīng)用.聚類(lèi)搜索策略是當(dāng)前研究的一個(gè)熱點(diǎn).1998年，Iyengar等［1］利用聚類(lèi)算法已達(dá)到對(duì)大型數(shù)據(jù)庫(kù)進(jìn)行有效的訪(fǎng)問(wèn).2002年，Saux等［2］提出利用圖像聚類(lèi)可以從更好的角度幫助用戶(hù)快速的從大型數(shù)據(jù)庫(kù)中找到所