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。     

改进的Parks聚类分析距离算法

经研究发现现有聚类分析算法普遍存在聚类盲目性，而这又直接影响着聚类的质量。针对这一问题，本文以Parks距离算法为例，提出了一种改良的Parks聚类分析距离算法，并将此距离算法应用在船舶装配产品归类中。通过对改良前后算法的比较，验证了新算法的优越性。     

多维缩放舰船运行数据聚类算法设计

传统的聚类化运算算法(基于K-Means算法),在大数据环境下运算力下降,数据聚类运算收敛不足。提出基于多维缩放的舰船运行数据聚类算法设计。利用基于多维缩放的KNTSCCA聚类算法,对舰船运行数据传统算法进行替换,通过对舰船数据的降维迭代计算,实现多维缩放聚类算法设计。通过仿真实验证明,提出的多维缩放的舰船运行数据聚类算法,能够解决现有基于K-Means算法收敛不足的问题,具有可行性。     

基于单亲遗传算法和模糊C—均值算法的混合聚类算法

介绍了基于单亲遗传算法和模糊Ｃ－均值算法的混合聚类算法,克服了模糊Ｃ－均值算法的局部最优问题以及采用普通遗传算法聚类时搜索速度和聚类精度的矛盾。实际运算表明,算法是有效的。     

优化的蚁群算法和船舶电网系统云数据聚类和实现

首先分析蚁群聚类算法,并指出其存在的问题;然后给出传统的蚁群聚类算法在船舶电网云数据聚类的实现流程,针对算法中存在的问题,提出利用惯性因子、随机初始化等方式改进和优化算法对船舶电网故障进行诊断;最后通过实验进行说明,优化后的蚁群聚类算法与K-mean算法、粒子群K-mean算法相比具有较好的收敛性。     

基于单亲遗传算法和模糊C-均值算法的混合聚类算法

介绍了基于单亲遗传算法和模糊C-均值算法的混合聚类算法,克服了模糊C-均值算法的局部最优问题以及采用普通遗传算法聚类时搜索速度和聚类精度的矛盾.实际运算表明,算法是有效的.     

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.     

基于竞争学习的大规模微博文本聚类

针对特定主题的微博文本进行聚类以发现潜在话题.基于深度学习的文本特征表示方法,并运用分布式计算平台提高了计算的效率。对竞争学习聚类算法进行介绍,提出了通过目标函数来分析聚类结果的好坏,通过评价实验得到的聚类结果,81.5%的聚类类别良好,说明竞争学习的聚类算法可以有效应用于大规模短文本.     

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.     

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.     

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。     

一种新的聚类算法在数据挖掘中的应用

说明聚类算法在数据挖掘中的作用,并结合实际数据的特点,采用一种新的模糊聚类算法.该算法在事先不知聚类数的情况下,能够确定聚类数及中心点.同时,能够消除噪声对于数据的影响,适合较大规模的数据,方便进一步的数据挖掘.对实际通信信号的实验结果表明该方法是实效的.     

基于并行聚类算法的无监督异常检测研究

为满足高效聚类大规模数据集的要求,该文提出一种基于k均值算法的并行聚类算法,该并行算法能使聚类时间随节点主机数目的增多,呈近似线性递减。为了更好地平衡检测率与误报率,文章又提出了基于平方误差最小的重定位算法,相比于李娜等人提出的算法,该重定位算法使检测率提升了5%,误报率降低了1.1%。实验结果表明,该文算法不但能够提高聚类效率,而且能够更加有效地检测出已知和未知攻击。     

模糊核聚类在船舶故障诊断中的应用

船舶故障具有非线性和模糊性的特点,本文将模糊核聚类算法应用于船舶故障诊断。首先阐述模糊核聚类算法的实现过程,并将此算法与模糊聚类在目标函数收敛性、学习能力、诊断正确率等方面进行对比,实验结果表明,本文算法在船舶故障诊断方面鲁棒性强、收敛速度快、学习能力强。     

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。     

知识驱动的船舶分段建造车间在线调度方法

针对船舶分段建造车间工位利用率低的问题，提出基于聚类算法的知识驱动船舶分段建造车间在线调度方法。利用DBSCAN算法对小组立参数进行聚类，并提取簇中的调度特征参数，作为该簇的调度知识；对于待加工小组立，依据参数数据确定归属的聚类簇，并为其绑定该簇调度知识。实例验证表明，知识驱动的在线调度方法相对于传统的调度方法，车间工位平均利用率提升了7.97%，说明采用文章提出的在线调度方法可有效改善分段建造车间调度问题。     

基于DBSCAN的港口泊位自动识别算法设计

为更好地监测船舶动态和船舶在港口的作业情况,通过对K-Means算法和DBSCAN(Density-Based Spa-tial Clustering of Applications with Noise)密度聚类算法进行对比,选择DBSCAN密度聚类算法对港口泊位进行聚类,对港口泊位的位置和大小进行识别.基于船舶自动...     

基于模糊聚类的数据关联融合算法

利用模糊相似性和模糊C均值聚类算法相结合，提出一种求解多传感器多目标跟踪数据关联问题的方法。该方法的目的是实现多传感器观测数据的模糊聚类，使源于不同目标的观测数据能正确划分到该目标中去。仿真结果表明，该算法可以实现数据与目标的正确关联，克服传统硬判断的一些缺点。     

粒子群的K均值聚类算法实现海上目标识别

首先阐述粒子群优化算法,根据海上目标识别难度大、内容复杂的特点,利用聚类算法不断的迭代,获取粒子在种群中的最优位置;然后利用K均值聚类求出每个粒子与其对应类的最短距离,从而实现目标识别,这种算法可以有效避免局部最优解的情况;最后进行对比实验说明,本文算法收敛速度快,实时性强,聚类效果好。     

核的K-均值聚类水下目标识别

首先分析核的K-均值聚类算法的实现过程,然后针对算法中的关键性问题——选择核函数进行阐述,最后对拍摄到的球体、椭球体、三棱柱和四棱柱4类水下目标进行识别,在识别过程中分别进行了不同核函数和不同聚类算法的仿真。仿真结果表明,本文采用的核的K-均值聚类算法在水下目标识别的过程中识别率高、计算性能优越。