k-均值聚类算法及其应用

K均值聚类算法是聚类方法中使用相对广泛的一种算法。K均值聚类算法将K作为人工事先设定的一个聚类参数,也就是目标把N个样本对象数据划分为K个簇类,使每个簇内样本对象都具有相对较高的相似度。然而在使用k均值聚类算法的时候,预先要确定想要聚类的类别数k,但是有时有又无法得到最合适的聚类数k,也就加大了人工计算量。     

基于K均值聚类改进的蚁群算法研究

蚁群优化算法(ACO)在求解TSP(traveling salesman problem)问题时,其算法的时间复杂度为O(m·n2·t)(其中t表示循环次数,n为城市数,m为蚂蚁数),搜索时间比较长。利用K-means聚类的方法得到多个类,每一个类都看作是一个小的TSP问题,然后在每个类内部和类之间利用改进的蚁群算法寻找最优路径,通过实验仿真,验证了此方法不但能提高解的精度,而且还加快了运行速度。     

基于K均值聚类方法的加权模块化人脸图像识别算法

提出一种非监督K均值聚类的人脸识别方法,该方法首先根据人脸结构特征将人脸图像矩阵分块,接着自适应地计算每个分块在分类中的权值,最后根据类别的权值大小进行分类。实验中采用了Orl和Yale人脸库和最近邻分类器测试该方法,测试结果表明,此方法有效,且对光照和人脸表情具有很好的鲁棒性,较传统的经典人脸识别法具有更高的识别率。     

联合模糊c-均值聚类模型

提出一种新的结合了模糊c-均值聚类（FCM）算法和可能性c-均值聚类（PCM）算法优点的联合模糊c-均值聚类（AFCM）算法。它克服了PCM对初始值敏感、易产生一致性聚类的缺点，是PCM的扩展算法。试验表明：AFCM能同时产生隶属度和典型值，从而更好地处理噪声，避免了一致性聚类，同时提高了聚类准确性。     

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。     

一种改进的K-均值聚类算法的研究

聚类分析在科研和商业应用中都有着非常重要的作用。K-均值聚类算法是一种基于样本间相似性度量的间接聚类方法,其不足之处是,它采用均值作为一类的代表点,一个点往往不能充分反映该类的模式分布结构,从而损失了很多有用的信息。研究了一种改进的K-均值聚类算法,在求样本间距离时,采用核函数距离代替欧氏距离,考虑了各模式间的相关性。试验结果表明,利用改进的K-均值聚类算法,聚类结果的准确率更高,更稳定。     

一种改进的K-均值聚类算法的研究

聚类分析在科研和商业应用中都有着非常重要的作用。K-均值聚类算法是一种基于样本间相似性度量的间接聚类方法,其不足之处是,它采用均值作为一类的代表点,一个点往往不能充分反映该类的模式分布结构,从而损失了很多有用的信息。研究了一种改进的 K-均值聚类算法,在求样本间距离时,采用核函数距离代替欧氏距离,考虑了各模式间的相关性。试验结果表明,利用改进的 K-均值聚类算法,聚类结果的准确率更高,更稳定。     

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.     

基于日较差K均值聚类的逐时温度预报

采用K均值聚类分析方法,将阜新蒙古族自治县气象局观测站2006～2012年1月的气温日较差进行分类,以不同的气温日较差分型代表不同的天气状况,并统计了相应分型下的逐小时温度变化幅度,在此基础上对未来逐时温度做出客观预报。实况证明该方法对于实现时间上的精细预报,具有一定的参考价值。     

基于K均值聚类和数学形态学的小麦彩色图像分割

对小麦植株图像进行分割,是将机器视觉技术应用到动态监测小麦生长状况的基础.采用K均值聚类和数学形态学相结合的方法进行分割,充分利用了小麦植株颜色和背景颜色的差异.首先根据图像色彩对图像进行聚类,然后对聚类后的图像进行形态学开运算,实现了小麦植株与背景的分离,并达到了较好的效果.     

改进的医学CT图像K-均值聚类分割算法的实现

为提高K-均值聚类算法在医学CT图像分割上的应用效果、稳定性和质量,减少程序运行时间,本研究用Matlab语言优化了K-均值聚类算法程序,与StatisticsToolbox的K—means函数进行比较,使用单因素方差分析法检验两种算法实现程序运行时间的差异,并直接观察分割效果和稳定性。结果显示,改进后的K-均值聚类算法程序具有分割结果稳定、质量提高等优点,在常用Windows操作系统和Pc机配置环境下,分割耗时在1s左右,显著低于原有的分割程序,消除了等待感觉,提高了使用者的工作舒适度和效率,为图像的识别处理奠定了基础。     

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。     

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。     

基于EMD与K-means的ILSTM模型在池塘溶解氧预测中的应用

为提高池塘溶氧量预测精度并改善预测结果滞后的情况,本研究提出基于经验模态分解(empirical mode decomposition,EMD)与K-means聚类的改进长短期记忆神经网络(improved long short-time memory,ILSTM)模型。利用皮尔森相关性分析与主成分分析结合的方法对原始数据进行特征提取,对溶氧量进行EMD分解,将选出的环境参数与溶氧量各分量一起生成样本集,并对其进行K-means聚类。针对同类中不同分解分量建立相应ILSTM预测模型,并用网格搜索、五折交叉验证与早停法进行超参数选取。对未来1 h池塘溶氧量进行预测,并与LSTM、ILSTM、LSTM-SVR、EMD-LSTM、EMD-ILSTM模型进行对比试验。结果显示,ILSTM与LSTM模型相比,RMSE、MAE与MAPE分别下降了50.46%、63.20%与68.96%,证明ILSTM模型能缓解传统LSTM模型预测的滞后情况。EMD-ILSTM模型与ILSTM模型相比,RMSE、MAE与MAPE分别下降了53.22%、46.74%与38.19%,证明EMD算法能提高预测精度。EMD...     

一种粗糙熵和K-均值聚类相结合的岩心图像分割方法

K-均值聚类算法和粗糙熵是应用于图像分割的主要算法,目的是对图像进行分析处理。将K-均值聚类算法和粗糙熵结合起来应用到岩心图像的分割,目的是提取出岩石的隙缝信息。先利用K-均值聚类算法对岩心图像进行区域分割,再利用基于粗糙熵的方法对分割结果进行目标提取,从而达到多阚值分割的目的。通过效果图对比分析可以看出,采用基于粗糙熵的K-均值聚类算法处理多目标的岩心图像,提取出的目标更清晰,更明确,实验结果更有价值,证明了改进后算法的有效性。     

不确定数据聚类算法研究

UK均值算法需要计算每个对象之间的期望距离（EDS）和聚类中心， EDS计算的成本就成了UK均值计算的性能瓶颈。为了提高UK均值的计算效率，本文提出一种优化的UK均值算法，通过一个高效的公式来估计期望距离，大大降低了UK均值的额外时间，并在实验中得以证明。我们还说明这个优化公式有效地将UK均值算法降低到了传统的基于K均值的聚类算法。