聚类集成

摘要： 聚类集成旨在将多个基聚类进行组合,以获得性能更佳、鲁棒性更强的共识结果。本文提出了一种基于随机游走的聚类集成方法CERW(Clustering Ensemble based on Random Walk)。该方法以hedonic games(享乐博弈)生成的簇为图节点,簇之间的社会福利值为边权重构造簇级相似图。为了探索相似图中节点之间的结构信息,定义一个转移概率矩阵,并在此基础上进行随机游走,通过分析不同节点的随机游走轨迹来发现博弈簇之间的潜在关系。在多个数据集上的实验结果证明了所提方法的有效性。

摘要： 针对传统聚类算法易陷入局部最优、不兼顾地理空间的问题,该研究以湖南省怀化市为例,从生态敏感性、用地适宜性与整治迫切性3个维度建立分区评价指标体系,应用一种基于混合距离,同时具有聚类方案质量识别功能的两级选择性聚类集成方法对怀化市农用地整治进行时空配置。通过聚类运算,将怀化市300个聚类单元划分为:近期重点整治区、近期适度整治区、中期重点整治区、中期适度整治区和远期限制整治区5个类型,面积比例分别为9.05%、30.48%、22.58%、7.33%、30.56%,符合怀化现状条件;相较于传统聚类方法,两级选择性聚类集成方法具有聚类质量识别与兼顾地理空间的优势,且更适用聚类单元较多、属性空间复杂的情况。研究结果在客观上为未来土地整治工作与聚类方法的创新提供了可供借鉴的思路。

摘要： 谐波检测算法是有源电力滤波器(APF)动态响应速度和稳态精度的重要保障,针对传统检测算法易产生频谱泄漏和实时性较差的问题,将拥有全局优化能力的粒子群优化算法(PSO)与动态性能良好的Elman神经网络相结合,并重置激励函数构造一种基于傅里叶基(FB)的神经网络用于谐波检测。首先对谐波采样并聚类集成,聚类后同类别的数据作为网络的训练数据;再利用粒子群优化算法的寻优能力将最优权值和阈值赋予神经网络;最后利用训练好的模型对谐波参数进行预测。仿真结果表明,使用8万组k-means聚类集成数据训练的傅里叶基PSO-Elman网络比单纯的Elman神经网络拥有更高的参数辨识精度,谐波电流幅值与相位估计准确,验证了该检测方法的可靠性。

摘要： 半监督聚类集成旨在利用成对约束提升聚类集成的精度,但在高维空间的聚类效果却显著降低,另外,当只有少量的成对约束可以利用时,聚类性能很难提升.针对这些问题,提出一种新颖的半监督聚类集成算法WSCEC(Weighted Semi-supervised Clustering Ensemble Algorithm Based on Extended Constraint Projection).首先,利用多种聚类算法对数据的特征空间进行聚类,再使用随机子空间进行降维,以减少冗余特征的影响;其次,根据每对约束的k个最近或最远的样本以及约束间的传递关系来扩展原有的约束集,通过约束投影技术将原始数据空间投影到低维空间以满足尽可能多的约束;最后,设计了一个聚类解的加权策略,为每一个聚类解分配一个适当的权重以降低低质量聚类解的影响.在多个数据集上的实验结果证明了提出算法的有效性.

摘要： 学生群体画像能自动挖掘学生的行为数据,构建不同特征群体,辅助教师快速把握学生群体的全貌,进行差异化教学.提出一种基于聚类集成的学生群体画像方法.首先,分析学生的基础数据和行为数据,建立学生群体画像的特征标签;其次,运用KMeans、KModes和GMM 3种聚类方法构建基聚类器;最后,通过投票法对基聚类器的结果进行集成处理.实验结果表明,相对于KMeans、KModes和GMM 3种聚类方法,本文提出的方法能显著提高聚类结果的精确性和鲁棒性;可将学生分为3类不同特征的群体.教师可根据不同群体的画像,制定更科学的分类教学策略,实现个性化教学.

摘要： 将三支聚类思想和聚类集成思想相结合,提出一种基于样本相似度的三支聚类算法.首先,通过随机选择样本部分特征的方法生成一组基聚类成员,以此构造样本相似度,并在此基础上定义划分有效性指标,用以自动计算最优阈值;其次,使用投票法对基聚类成员集成得到初步的聚类结果;最后,利用最优阈值对聚类结果划分,得到每个类的核心域集合和边界域集合.UCI(University of California Irvine)数据集上的实验结果证明了所提出方法的有效性.

摘要： 基础聚类成员预处理是聚类集成算法中的一个重要研究步骤.众多研究表明,基础聚类成员集合的差异性会影响聚类集成算法性能.当前聚类集成研究围绕着生成基础聚类和优化集成策略展开,而针对基础聚类成员的差异性度量及其优化的研究尚不完善.文中基于Jaccard相似性提出一种基础聚类成员差异性度量指标,并结合三支决策思想提出了基础聚类成员差异性三支过滤方法.该方法首先设定基础聚类成员的三支决策的初始阈值α(0)和β(0),然后计算各个基础聚类成员的差异性度量指标,进而实施三支决策.其决策策略为:当基础聚类成员的差异性度量指标小于指定阈值α(0)时,删除该基础聚类成员;当基础聚类成员的差异性度量指标大于指定阈值β(0)时,保留该基础聚类成员;当基础聚类成员的差异性度量指标大于α(0)且小于β(0)时,该基础聚类成员被归入三支决策边界域等待进一步判断.当结束一轮三支决策后,算法将重新计算三支决策阈值α(1)和β(1)并对上轮三支决策边界域重新进行三支决策,直至没有基础聚类成员被归入三支决策边界域或达到指定迭代次数.对比实验表明基础差异性度量的基础聚类三支过滤方法能够有效地提升聚类集成效果.

摘要： 针对现有的聚类集成算法大都是无监督聚类集成算法且不能很好地处理高维数据的问题,设计一种基于PCA降维技术的成对约束半监督聚类集成算法(SSCEDR).SSCEDR方法使用PCA主成分分析对原始数据进行降维,结合半监督聚类集成技术,在降维后的空间中将成对约束等先验知识代入到聚类集成过程中.本文通过在多组数据集上实验来验证算法的有效性.

摘要： 针对传统串行聚类集成算法在处理高维海量数据时效率低下的问题,提出基于Spark的并行聚类集成算法SCEA(Spark based Clustering Ensemble Algorithm).首先,通过主成分分析与成对约束结合的方法对算法输入数据进行预处理,达到数据降维并去除特征相关性的目的;其次,通过调用不同聚类算法获得基聚类成员后,采用三元组方法通过基聚类成员的簇标签构造出相似度矩阵,并调用层次聚类算法得到最终的聚类结果;最后,在调用MLlib中已有聚类算法的基础上,基于Scala对SCEA算法进行了实现.将SCEA与同类算法在多组数据集下进行对比测试,实验结果表明:总体上SCEA不仅较已有算法在准确率方面有所提高,并且通过分析运行时间、加速比以及可扩展性3个性能指标,证明了SCEA在算法性能上的优越性.

摘要： 谱聚类可以任意形状的数据进行聚类,在聚类集成中能够有效的提高基聚类的质量.以往的聚类集成算法中,聚类集成得到的结果并不是最终聚类结果,还需要利用聚类算法来获得最终聚类结果,在整个过程中会使得解由离散-连续-离散的转变.提出了一种基于谱聚类的双边聚类集成算法.算法首先在生成阶段使用谱聚类算法来获得基聚类,通过标准互信息来选取基聚类.将选出来基聚类和样本作为图的顶点,并对构建的图利用双边聚类算法对基聚类和样本同时聚类直接得到最终聚类结果.在实验中,将所提方法与一些聚类集成算法进行了比较,取得了较好的结果.

摘要： 聚类集成是解决聚类若干难题的有效手段。受分类集成Boosting和k中值聚类方法的启发,本文提出了一种双向Boosting的聚类集成方法。在Boosting迭代过程中,根据样本聚类的性能,产生新的样本子集,然后调用基本的模糊聚类方法对新的样本子集进行聚类,利用联合相似性矩阵集成聚类结果。最终的聚类结果是通过在近似矩阵的基础上调用基于距离的聚类方法产生。双向Boosting的重点是产生的训练样本子集,不仅包含了难于聚类的样本,也包含了易于聚类的样本。在仿真数据和真实数据上的实验表明该方法聚类的准确率和稳定性较好。

摘要： 本文针对一个特定的聚类问题,选择"最佳"算法是一项挑战性任务,而研究表明,对多次聚类进行集成,可以获得更好的效果.提出一种聚类集成方法,先采用仅适用于发现凸面形状簇的k-means算法以及bootstrapping技术适度生成集成中的不同分区,再将分区聚类结果转换为距离矩阵并加以集中,然后采用最近邻连接方法重聚这些矩阵,以便形成最终的聚类结果.该方法可以实现对非凸面形状簇的有效聚类,实验表明了该方法的有效性.

摘要： 本发明公开了一种基于谱聚类算法的选择性聚类集成方法，包括以下步骤：聚类成员生成；基于谱聚类算法选择代表成员；对代表成员进行集成；结束。本发明的显著优点是：实现简单且可以有效提升聚类集成的效果。

摘要： 本发明公开了一种基于混合聚类集成选择策略的聚类集成方法，步骤包括：输入测试数据集样本矩阵X；对数据集样本矩阵X进行聚类操作，生成基础聚类结果集合；将基础聚类结果集合转换到新特征空间，且基础聚类结果集合中的每一个聚类结果作为新特征空间的每一个特征；使用特征选择技术对特征进行聚类集成选择，得到聚类结果子集；对聚类结果子集使用赋权函数获得最终聚类结果子集；集成最终聚类结果子集，得到最终聚类结果。本发明将聚类集成选择问题转化为特征选择问题，具有创新性；从多角度生成基础聚类结果，更具多样性；利用特征选择算法进行优化，避免人为因素及冗余度问题；考虑了局部和全局权重，有机结合各聚类结果子集，提升聚类准确性。

摘要： 本发明公开了一种基于层次聚类的自适应选择性文本聚类集成方法，包括以下步骤：文本聚类成员生成；判断聚类集体的稳定性；根据聚类集体的稳定性自适应选择聚类集体子集Subset；采用层次聚类算法对Subset进行集成。本发明的显著优点是：能够选出精度较高，差异较大的文本聚类成员，可以有效提高文本聚类集成的质量。

摘要： 本发明公开了一种基于多特征融合与聚类集成的移动对象轨迹聚类方法，首先全面地捕捉目标移动对象轨迹的特征信息；然后使用K‑means聚类算法对选取的四种移动轨迹特征表示进行聚类分析并产生多个初始聚类结果；对多个初始聚类结果的质量进行量化，再通过加权求和的方式得到三个融合聚类结果；进一步把三个融合聚类结果整合在一起生成最终的集成聚类结果。本发明可以全面地捕捉目标移动对象轨迹的特征信息，最大程度上还原了轨迹的动态特性与时间片段的关联，具有较好的抗干扰能力；根据不同的聚类质量评估标准对多个初始聚类结果分配其权值，在融合过程中能够自动识别类数，并有效地捕捉类簇的本征结构。

摘要： 本发明公开了一种基于谱聚类算法的选择性聚类集成方法，包括以下步骤：聚类成员生成；基于谱聚类算法选择代表成员；对代表成员进行集成；结束。本发明的显著优点是：实现简单且可以有效提升聚类集成的效果。

摘要： 本发明提供一种基于一致流形逼近与投影聚类集成的图像分割方法及系统，其中，方法包括：步骤S1：获取原始图像数据；步骤S2：对原始图像数据进行预处理；步骤S3：基于一致流形逼近与投影，对预处理结果进行降维；步骤S4：对降维结果进行聚类集成，获得第一图像分割结果，并输出。本发明的基于一致流形逼近与投影聚类集成的图像分割方法及系统，通过一致流形逼近与投影对原始图像数据进行降维，对降维后的降维结果进行聚类集成，在对图像进行分割时，提升了分割速度和分割质量。

摘要： 本发明提供一种基于三层加权模型的文本聚类集成方法及系统，其中，方法包括：步骤S1：获取文本集；步骤S2：对文本集进行预处理；步骤S3：基于k‑means算法，对预处理结果进行聚类集成；步骤S4：构建三层加权模型，对聚类集成结果进行优化；步骤S5：对优化后的聚类集成结果进行评价。本发明的基于三层加权模型的文本聚类集成方法及系统，三层加权模型为点、簇、划分三层加权的统一构架，探究每种加权方式对最终聚类结果的影响，弥补现有技术空白，另外，通过微调超图邻接矩阵H，依次实现点、簇、划分三层加权，处理的矩阵规模明显小于基于CA矩阵的方法，具有更低的计算复杂度，在处理大规模数据集时，效率优势明显。

摘要： 本发明涉及一种基于聚类集成的岩体结构面优势产状分组方法。本发明将现场采集的结构面产状数据转换为对应的空间单位法向量n＝(x，y，z)；计算数据集中两两结构面之间的距离D(ni，nj)，获得结构面数据集距离矩阵DN×N；通过调整聚类算法或超参数，对数据集运算M次聚类，获得M个具有差异性的基聚类结果πm；计算基聚类结果的共协矩阵CA；分别设置分组数K为不小于2的整数，采用凝聚层次聚类算法对共协矩阵CA进行聚类；根据聚类性能度量指标，确定最优分组数Kop；依据最优分组数Kop的聚类集成结果，剔除噪点与孤值，获得结构面优势产状分组结果。本发明可有效识别结构面产状数据的噪点与孤值，获得比单一聚类模型更好、更稳健的聚类效果。

摘要： 本发明公开了一种基于谱图理论的选择性文本聚类集成方法，将文本数据集采用K均值算法生成聚类成员；采用谱聚类算法从生成的聚类成员中选择出代表性成员；采用层次聚类方法对选择出的代表性成员进行集成；将集成后的代表性成员构成本文聚类结果。解决了谱聚类方法直接应用于高维、稀疏、海量的文本数据集上时导致的计算量大的问题，因此，采用本方案显著降低文本聚类的计算时间，有效提高了文本聚类的准确性。另外，本实施例使用K均值算法作为基聚类器随机选取初始质心，算法复杂度低，提升算法的鲁棒性。

摘要： 本发明公开了一种基于聚类集成学习的企业数据分析方法，包括以下步骤：S1.获取待分析的产业的资料，并找出待分析产业中主要的多个待分析企业；本实施例分析了广州地区的海洋产业。S2.爬取待分析企业的相关数据；S3.对所爬取的数据进行预处理，并整理预处理过的数据为数据集；S4.采用KMeans作为基聚类器，对数据集进行聚类集成学习，得到基础聚类结果；S5.利用基础聚类结果构造联合矩阵；S6.采用单链接层次聚类对联合矩阵进行处理，得到最终待分析企业的聚类集成结果。本发明具有准确性、稳定性和鲁棒性，计算方便，实用性强的特点。