简介：

简介：k均值算法是一个常用的局部搜索算法,它的主要缺陷是容易陷入局部极小,并且该局部极小解与全局最优解往往有很大的偏差.本文提出一个基于K-均值的迭代局部搜索文档聚类算法.该算法以k均值算法所得到的解作为初始解,从该初始解开始作局部搜索,在搜索过程中接受部分劣解.当解无法改进时,算法对所得到的局部极小解做适当强度的扰动后进行下一次的迭代,以跳出局部极小,从而拓展了搜索的范围.实验结果表明该算法对文档数据集聚类的正确性达99%以上.

简介：提出一种基于均值聚类的车牌定位算法,该算法能避免由于环境的复杂而带来的定位的不确定性。

简介：针对海底采样点较少时,监督学习训练分类模型困难的问题,研究无监督学习的K-均值聚类分析算法在多波束海底底质分类中的应用。在探讨K-均值聚类分析算法原理的基础上,构建海底底质分类器,针对分类器需预先输入分类结果种类（K值）这一问题,提出了基于底质采样点和分类效果连续性为原则的K值确定方法。实验结果表明：基于K-均值聚类分析算法的海底底质分类器能较好的实现海底底质类型的自动划分,适用于海量多波束底质特征参数的分类。

简介：针对抑制式模糊C-均值聚类算法所存在的不足，提出了一种改进算法——半抑制式模糊C-均值聚类算法。通过对抑制式模糊C-均值聚类算法的良性扩展，在保持收敛速度变化不大的前提下改善了聚类的效果。实验表明，该算法是有效的。

简介：针对供配电系统中经常出现串联型故障电弧引发火灾等事故的问题，研制了串联型故障电弧实验装置，并针对典型负载开展了大量实验。首先，利用傅里叶变换提取了发生故障电弧前后电流的前20次谐波含量，并将其作为样本；其次，采用主成分分析对样本数据进行降维，提取出电流谐波变化的主要成分；最后，运用K均值聚类判断出原始信号是否故障。结果表明，以电流谐波为特征，通过主成分分析和K均值聚类可以有效地识别串联型故障电弧。

简介：简述了编组站分类问题的研究现状以及编组站的类别,介绍了运用K均值聚类对编组站进行分类的主要步骤。将该方法应用到东北地区11个编组站分类的实例中,在计算过程中,使用SPSS16统计学软件,计算结果表明分类正确,证明该方法可行,具有人为因素影响小、计算持续时间短及结果较精确等特点。

简介：K-均值聚类算法（K-means）是基于划分的聚类算法中的典型算法，针对K-means算法初始聚类中心存在对K依赖的缺陷，提出一种新的选取K-means算法初始聚类中心的方法，该方法提高聚类结果的有效性和稳定性；还提出一种极值选择法，将最大距离法和最小距离法相结合，进一步提高初始聚类中心选择的准确性。

简介：摘要本文通过对大量工程变更数据进行归纳，采用K均值聚类分析方法对工程变更数据进行分类，并进行参数测定，通过计算不同导致工程变更发生原因指标到各聚类中心的距离，来拟合预测未来类似情况下新建输变电工程中同一原因导致的工程变更对造价的影响程度，预测分析结果为今后类似建设工程的造价控制提供了参考依据。

简介：摘要本文浅谈了数字图像处理的发展概况、研究背景并对彩色图像K-means算法进行分析.主要详细谈论了是对K-means算法的一些认识，并且介绍K-means聚类的算法思想、工作原理、聚类算法流程、以及对算法结果进行分析，得出其特点及实际使用情况。

简介：在现代战争中随着新体制雷达的不断涌现,电磁环境变得越来越复杂,这就对雷达信号分选提出了新的挑战。目前普遍采用的基于直方图统计的信号分选方法越来越不适应现代雷达信号环境。文中将聚类分析技术引入到雷达信号分选中,将蚁群算法和K-Means相结合,互相弥补不足,提出了一种新的雷达信号分选方法,该方法易编程实现,不需要雷达信号的先验知识,适用于处理未知信号的雷达。仿真实验证明分选结果较理想,为雷达信号分选提供了新的思路。

简介：摘要：经验模态分解（EMD）算法是由 NE. Huang 等人提出的一种将信号分解成特征模态的方法,它不以任何已经定义好的函数作为基底，而是将所分析的信号x(t)分解为一组本征模函数(Ci)和一个残余项（rn），涵盖了原始振动信号在各种时间尺度上的局部细节特征 。可以用于分析非线性、非平稳的信号序列，具有良好的时频特性。在基于经验模态分解(EMD)的基础上，利用k均值算法实现故障类型和故障程度的正确分类。

简介：基于改进选取初始聚类中心的K-means算法,因为在该算法中是随机地选取任意K个点作为初始聚类中心,初始聚类中心的选取方法很多

简介：摘要：在桩基施工完成进入验收阶段时，一般要求任一相邻两桩基必须满足刚性角相关要求，即相邻两桩，任一桩基桩底将荷载按应力扩散角扩散时，其应力不应传递到邻近桩身的原则，此应力扩散角一般为45度。对于某些占地面积较大的大型建构筑物，其地基工程往往存在成百上千个桩基，若对大量的桩基的刚性角复核及相关调整采用人工复核的方式，费时费力，效率低下。以绵阳3011d零部件试验厂房施工项目的桩基为例，基于现代成熟的矩阵运算工具Matlab中K-Means聚类算法可对桩基一次性批量进行刚性角复核，节省了大量运算时间，提高了工作效率。

简介：摘要：随着快速发展，与体育相关的不同信息现在可以通过可穿戴和传感技术记录为有用的大数据形式。大数据技术已成为当前篮球训练中亟待解决的挑战，提高了棒球分析的效果。在本研究中，我们提出了基于内存计算的Spark框架进行大数据处理。首先，我们使用了一种新的群体智能优化布谷鸟搜索算法，因为该算法参数少，全局搜索能力强，支持快速收敛。其次，我们应用传统的K-clustering算法，在Spark分布式环境中使用聚类手段提高最终输出。最后，我们考察了可能导致高压比赛环境的方面来研究职业运动员的防守表现。招聘人员和培训师都可以使用我们的技术来更好地了解基本球员的素质，并最终评估和提高团队的表现。实验结果表明，所建议的方法在聚类性能和实用性方面优于以前的方法。它在移动时对射击训练效果的影响最大，在训练效果上产生了互补的结果。

简介：针对传统聚类算法无法有效处理高维混合属性数据集的问题,对原有的数据归一化方法进行改进。在kmeans和DBSCAN聚类算法的基础之上,结合增量聚类的思想和数据之间相异度的计算方法,提出了一种基于密度的增量k-means聚类算法。该算法能有效处理具有高维混合属性的数据集,在准确度和效率方面都得到提高。

简介：针对网络学习者及其对案例访问的模糊性提出采用模糊聚类的方法对学习者和案例进行聚类分析。在算法中，以各学习者对案例的访问次数、时间、学习效率等刻画学习者对案例的关注程度建立模糊相似矩阵，再由平方法求出模糊等价矩阵，然后进行聚类分析。通过具体实例阐述算法的计算过程，证明算法实现的可行性和有效性。

简介：提出了一种基于改进蚁群算法的动态K-均值聚类算法思想,该算法首先利用蚁群算法的较强处理局部极值的能力,动态地确定了聚类数目和中心,然后利用蚁群聚类得到的结果,再进行K-均值聚类弥补蚁群算法的不足。两者有机结合起来可以寻求到具有全局分布特性的最优聚类,实现了基于改进的蚁群聚类算法分析。

简介：摘要双聚类（Biclustering）算法在数据挖掘中是一个新兴的算法，对于矩阵类型的数据，其聚类效果很好。本文浅述了双聚类算法的基本特点，并提出了用迭代的双聚类算法对未知的数据进行分类，并对一组数据进行了测试，其分类表现不错。

简介：本文通过将模式识别中的K近邻算法和K-均值算法融合在一起,将其运用到入侵检测领域中,使它能够适应入侵检测的需要,通过实验分析表明,在运用结合之后的算法后,系统不仅能够保证实时性,并且具有了一定的未知入侵检测能力。