基于混沌PSO和K均值算法的移动用户分类

为了克服经典K-Means算法随机选择初始数据中心而易陷入局部最优解和聚类结果的不确定性问题，提出一种基于粒子群和K-Means算法的改进聚类算法以实现移动用户分类。首先，定义数据对象密度并采用改进的普里姆算法初始化聚类中心，然后，将此聚类中心用于初始化粒子位置，采用混沌粒子群算法寻优获得最优解作为最终的聚类中心，最后，采用经典K-Means算法根据最终聚类中心进行聚类。仿真实验表明文中方法能正确地实现移动用户分类，并具有较强的全局寻优能力和较快的收敛速度，弥补了经典K-Means方法的不足，具有较强的现实意义。     

基于AP聚类算法的图像分割应用与研究

针对传统聚类算法在图像分割中对聚类中心选择敏感,可靠性差的缺点,本文采用AP聚类算法研究图像分割问题。AP(Affinity propagation)聚类算法是通过数据点之间的信息传递产生高质量的聚类中心,避免了聚类初始中心选择难的问题。本文通过与K均值算法和模糊C均值算法在图像分割中的实验比较,得出本算法优于其他两种算法,对图像可取得良好的分割效果。     

基于信息熵与K-means融合算法的网络入侵检测模型

传统K-means算法在初始聚类中心选择时具有较大随机性,是影响聚类分析结果的关键因素。利用信息熵辅助选取聚类中心,提出一种信息熵与K-means融合算法,并以此为基础构建一种网络入侵检测模型,除完成异常入侵检测外,可使聚类中心随网络变化而动态更新,提高入侵检测效果。通过对比试验,证明了该方法的可行性及有效性。     

遗传K均值方法在品种资源分类中的应用

采用实数编码方式,对聚类的中心矩阵进行编码,通过数组变换将染色体与相应聚类中心的数组进行匹配,通过轮赌选择和自适应的交叉、变异操作及均值小生境的种群优化对聚类中心的编码进行更新迭代,最终得到稳态的聚类误差函数和划分效果最好的聚类中心.然后通过对某基地的甘蔗品种进行分析、比较,分析的误差函数结果显示,Ringa K-Means改进的聚类效果明显优于传统的K-Means方法及Sga-K-Means方法的聚类效果.     

基于孤立点和初始质心选择的κ-均值改进算法

介绍了在聚类中广泛应用的经典κ-均值算法,针对其随机选择初始质心和易受孤立点的影响的不足,给出了一种改进的κ-均值算法。首先使用距离法移除孤立点,然后采用邻近吸收法对初始质心的选择上进行了改进,并做了改进前后的对比试验。试验结果表明,改进后的算法比较稳定、准确,受孤立点和随机选择质心的影响也有所降低。     

基于差分演化的K-均值聚类算法

传统的K-均值算法,因对初始聚类中心的选择敏感,存在容易陷入局部最优解的缺点;差分演化算法是一类基于种群的启发式全局搜索技术,对于实值参数的优化具有很强的鲁棒性。为了克服K-均值聚类算法的上述缺点,提出基于差分演化的K-均值聚类算法,该方法结合K-均值算法的高效性和差分演化算法的全局优化能力,较好地解决了聚类中心优化问题。通过实验结果表明,此算法能够有效改善聚类质量。     

基于可见光光谱的幼龄沉香图像分割与特征提取研究

为促进数字图像处理技术在珍贵树种营养分析中的高效应用，以幼龄沉香为研究对象，运用大津法与K-Means算法分别对试验获取的幼龄沉香可见光图像进行分割，对2种分割算法进行比较研究。基于图像分割结果，提取R、G、B等8种颜色特征并进行主成分分析，同时计算沉香图像的最小外接矩形的矩形度RE。结果表明，1）大津法与K-Means算法均可实现对多张幼龄沉香可见光图像的分割，大津法较K-Means算法分割速度快，但分割精度小于K-Means算法，在具体分割时应根据实际需要对2种算法进行选择。2）提取的8种颜色特征的3个主成分累计贡献率可达到99%，可作为颜色特征；最小外接矩形的矩形度RE能够表达沉香轮廓内面积CA与最小外接矩形面积LA的比值，可作为形状特征，将这种特征因子用于构建沉香微量元素含量预测模型，有利于缩短建模时间并提高模型的精度。综上所述，研究结果可促进数字图像处理技术在珍贵树种营养诊断中的进一步发展，为精准林业提供参考。     

K-Means算法的MapReduce并行实现

首先搭建了Hadoop集群,然后在MapReduce模型中实现K-Means算法,最后设计多组实验验证了算法的稳定性和准确率.     

基于ISODATA算法的草莓图像分割

应用ISODATA算法对成熟草莓图像进行分割,该方法具有迭代自组织性,通过预先设定的迭代参数,在随机选定初始聚类中心的基础上,使用分裂与合并的机制。结果表明,该算法应用于成熟草莓图像的分割效果较好。     

基于Kd树改进的高效K-means聚类算法

针对经典的K-means算法在多维数据聚类效率上还有待提高的问题，本文提出一种称为CK-means的改进聚类算法。该算法在k-means算法的基础上，通过引入Kd树空间数据结构，初始聚类中心从多维数据某一维的区间等间隔集中选取，以及在数据对象分配过程中采用剪枝策略来提高算法的运行效率。实验结果表明，CK-means聚类算法较经典的k-means聚类算法运行效率更高。