基于PCA与属性权重模糊聚类的入侵检测方法

针对入侵检测数据集中存在大量冗余信息及传统聚类算法的效果不佳,提出了结合主成分分析与属性权重模糊聚类算法的入侵检测方法。该方法分为特征提取和模糊聚类两阶段,使用主成分分析进行特征提取、消除冗余属性;将经主成分分析后得到新成分的贡献率作为聚类算法中属性的权重值,实现了基于属性权重的模糊聚类。在KDD-CUP99数据集中的实验结果表明,该方法能有效地降低检测训练时间和提高检测正确率。     

物联网环境下船舶航行大数据异常属性划分

由于人工记录、手动测量等方式存在信息不及时、不准确以及局限性的问题,无法获取到实时、全面的航行数据,降低了大数据异常属性划分结果的有效性,因此提出物联网环境下船舶航行大数据异常属性划分方法。在物联网环境下利用离散度函数,加权处理船舶航行大数据属性特征。通过密度选择法,确定船舶航行大数据异常属性划分的初始聚类中心。利用属性加权快速聚类算法,结合离散度函数与初始聚类中心,完成船舶航行大数据异常属性划分。实验证明,所提出方法可有效划分船舶航行大数据异常属性。在不同大数据规模下,该方法异常属性划分的加速比均较大,即异常属性划分速度较快。     

基于蚁群聚类的路面识别分析方法

道路是城市的重要基础设施．路面状况的鉴定与评价直接关系到公路的养护决策,是一项至关重要的工作．本研究将蚁群聚类算法应用于路面识别领域,提出一种基于蚁群聚类优化的路面识别分析方法,将此方法运用于路面识别系统．该系统由数据采集、数据预处理和蚁群聚类优化3个模块组成,其中蚁群聚类主要提取了纵轴方向的3个特征属性,通过不断更新聚类中心产生的信息素矩阵,并通过分类器进行路面分类．实验结果表明：蚁群聚类优化具有全局收敛以及启发式学习等优点,运算效率高,路面识别准确率达到95.3％,验证了此方法的有效性．     

大数据分析下的船舶调度方法研究

船舶分布状态数据为一组非线性组合的离散数据,采用大数据分析方法进行船舶调度,提高船舶分配的有效性,提出一种基于关联匹配的船舶分布状态数据聚类及船舶调度方法。对采集的船舶大数据进行模糊C均值聚类处理,根据船舶状态特征属性分布进行大数据环境下的关联规则挖掘,提取反映船舶属性的特征量,以提取的特征量进行关联匹配,实现船舶优化调度。仿真结果表明,采用该方法进行船舶调度能有效反映船舶的类别属性,提高船舶的分类管理和调度能力,从而提高船舶的运输效率。     

C 与Ada面向对象程序设计特征的比较

本文就面向对象程序设计的主要特征：对象，类，封装，抽象数据类型，继承，动态聚束等对Ｃ＋＋与Ａｄａ进行了比较，并指出了今后Ａｄａ面向对象化的途径和方法。     

聚集式聚类分析方法及其应用

基于层次聚类算法，提出一种聚集式聚类模型及其算法，实现了分布式异构数据库的聚类分析。该方法使网络传输数据量显著减少，并大大提高聚类效率。     

一种结构自适应模糊聚类神经网络分类器的研究

本文通过一种新的相似度度量概念，综合模糊Ｃ－ｍｅａｎｓ网、自适应谐振理论（ＡＲＴ－１）及模糊自组织映射网（ＦＣＮ）的诸多优势，提出了一种综合的结构自适应模糊聚类神经网络。该网络具有类内聚集性强，类间可分性好的特点。通过对声纳目标信号分类试验表明，本文提出的结构自适应模糊聚类网，对比于ＢＰ网，具有迭代次数少、识别率高等明显优点，是一种具有实际应用价值的分类器模型。     

改进的均值插补不完备数据聚类算法

在许多实际场景中,由于数据获取困难、数据误读、数据丢失以及随机噪音等因素导致大量的数据缺失.针对传统的聚类算法无法直接处理不完备数据集的问题,提出了一种基于传统聚类算法的均值插补不完备数据的聚类方法,首先将不完备数据集划分为两个互不相交的子集,使用传统的聚类算法处理无缺失数据的数据对象获得初始聚类结果;然后使用各类中数据对象的属性均值填充不完备数据对象的缺失数据,观察各类中心值的变化确定最终的插补值.实验通过有效性指标评估该算法在UCI数据集上的聚类结果,可以验证算法的有效性.     

基于神经网络结构的自适应模式识别技术在机械故障诊断中…

本文利用神经网络聚类学习方法对机械故障的故障模式进行分类，通过实验研究证明该方法作为一种新的自适应模式识别技术，比传统的聚类方法和基于ＢＰ神经网络故障模式识别方法具有较高的模式分类能力。     

WEB前端开发技术在船舶通信数据可视化中的应用

针对传统的船舶通信数据可视化方法存在数据过滤性能较差的问题,提出设计一种基于WEB前端开发技术的船舶通信数据可视化方法。时域信息作为船舶通信数据的一个重要属性,包括持续通信时间与系统时间,它们的属性分别为跨度与刻度,采用不同的方式对二者进行处理。获取船舶通信数据中节点间的通信流具体数量与通信总数量,利用获取数据对节点聚类进行计算,根据聚类指数计算船舶通信节点作用力。利用Web前端开发技术对船舶通信数据棒状图的图标进行绘制,最终实现船舶通信数据可视化。为了证明该方法的数据过滤性能较好,将原有方法与基于Web前端开发技术的船舶通信数据可视化方法进行对比实验,实验结果证明该方法的数据过滤性能优于传统方法。     

基于成对约束的半监督选择性聚类集成

针对现有聚类集成算法基本都是无监督聚类集成算法和传统聚类集成方法,其通常将所有产生的聚类成员都参与集成的问题,设计了一种基于成对约束的半监督选择性聚类集成方法(SSCES). SSCES方法选择基于聚类成员质量和差异度的选择聚类集成为研究对象,借鉴半监督集成的关键思想,将半监督聚类信息带入到选择聚类集成中.通过在多组数据集上实验来验证SSCES算法的有效性.     

基于AIS数据约束聚类的海上交通特征分析

为识别船舶交通流,分析海上交通特征,根据海上交通工程理论和数据挖掘技术,考虑AIS数据点的多种属性约束,改进一种基于密度的聚类算法,从大量AIS数据中解析不同类型的船舶交通流,计算平均航向和航速,并选取浙沪交界复杂水域进行实例验证。聚类结果与实际相符,证实了算法的可行性和有效性。     

最小最大时距项目网络在生产调度建模问题中的应用

将最小最大时距的概念引入网络计划，提出一种面向订单的生产调度问题的简化建模方法。该法简洁，概念清楚，将一般的搭接网络的内涵进行扩展，是一种较好的现代网络计划建模算法。     

基于数据挖掘的计算机辅助质量功能配置应用与研究

在实现计算机辅助质量功能配置过程中。引入数据挖掘技术和方法，提出了基于数据挖掘的计算机辅助质量功能配置模型；开发了数据挖掘工具，建立了面向产品用户需求和工艺质量选型分解的模型，并同时建立模糊聚类和灰色理论算法的数据挖掘模型．并分析了相关应用实例。     

基于灰色系统理论对舰船方位变化规律的分析

舰船方位序列是一种带有灰色信息的时间序列,灰色系统理论是处理灰色信息的有力武器。本文将灰色系统理论灵活应用到舰船目标纯方位定位和要素解算领域,解决了传统的困扰解算目标运动要素的一些难点;提出了一些新的概念和方法,如目标方位序列集的概念和采用以某一方位为间隔的各方位区间的方位值数量作为灰色聚类中的灰聚类因子的方法,既可以有效区分不同方位序列集的分类,还能据此反演得到目标速度、航向以及位置信息的大概范围。     

有限空间装配体选择性拆卸研究

在分析现有聚类拆卸方法的基础上,针对有限空间选择性拆卸的特点提出选择性拆卸中最小聚类零件集概念,并将无向图(产品结构网络图)和有向图(拆卸稳定图)相结合,给出求解有限空间中进行选择性拆卸时最小聚类零件集的算法,同时给出了有限空间寻找最优拆卸序列的方法。利用该算法对减速齿轮箱的选择性拆卸进行计算,结果表明,利用该算法得出的最小拆卸零件集进行聚类可以提高聚类计算效率。     

有标记的文本聚类方法研究

聚类分析是一种模式识别无监督的分类方法。对于根据类别先验知识已经分类的文本,提出一种有标记的文本聚类分类方法。这种方法是在模糊聚类算法基础上进行了改进,通过有标记的文本样本,利用模糊聚类算法提取分类规则,然后用模糊推理方法进行分类的一种算法。文中讨论了此算法的具体数学模型,给出了算法流程。并通过实验验证了这种聚类方法是一种有效的文本分类手段。     

改进QuickBundles算法在船舶轨迹聚类中的应用

对船舶AIS数据聚类进行研究，可以挖掘出船舶航行过程中有效或潜在的信息，对于提高船舶海事交通管理和水路交通运输的智能化水平具有重要意义。传统的聚类算法在面对大量的AIS数据样本时通常表现出很低的执行效率。因而，提出一种改进QuickBundles算法，并对船舶轨迹采样方法和距离度量方式进行改进，选取长江南京航段板桥汽渡水域的船舶AIS数据作为试验依据，最终实现船舶轨迹的有效聚类。试验结果表明，与原QuickBundles算法和DBSCAN算法相比，改进QuickBundles算法在算法执行效率和算法准确性方面优于前两种算法，证明改进QuickBundles算法可有效应用于船舶轨迹聚类。     

密度聚类方法在船舶航迹图谱挖掘中的应用研究

研究密度聚类方法在船舶航迹图谱挖掘中的应用。针对航迹点密度不均匀的特性,给出一种改进的密度聚类方法,即结合分类的基于弥散度的聚类算法。该方法采用弥散度作为相对密度的度量标准,根据其动态分布来确定核心点与边缘点,并使用KNN核密度估计方法对边缘集合分类。实验结果表明,本文所使用的密度聚类方法能够对船舶航迹进行有效聚类。     

三边原理加速的聚类分析方法处理航运信息

为了从大量的航运信息中挖掘有用的信息,进行了基于聚类分析的数据挖掘方法的研究.针对k-means聚类分析中聚类精度不高和时间复杂度高的问题,在k-means++的基础上结合了三角形三边原理加速聚类的方法,提出了一种三边原理加速的k-means++聚类算法,并对k-means++聚类及改进算法进行实例测试,说明了改进的聚类方法具有较高聚类的精度,同时减少了聚类算法计算量,并将其应用到航运信息处理中,这对于航运智能信息化有重要的意义.