摘要：为了获取岩石破裂过程有效的声发射信号特征,更好地对岩石破裂状态进行分类,提出一种基于流形学习算法的局部线性嵌入特征融合方法进行数据降维。以红砂岩为研究对象设计室内单轴压缩实验采集信号,然后对原始声发射信号预处理并对信号进行特征提取,以时域、频域下的特征向量重新组合成一组新的多维特征向量,采用主元分析和流形学习局部线性嵌入算法分别进行降维。比较两种算法降维后融合特征的聚类效果二维和三维分布图,使用局部线性嵌入算法降维后,4种状态分布相对更近,呈一条水平线趋势,且各状态交叉混叠数目较少,第一状态没有一个样本错判,且4个状态相比于主元分析降维后的聚类效果更集中。再比较两种算法降维后融合特征的敏感度之和,局部线性嵌入算法融合特征敏感度之和远大于主元分析算法,说明经过局部线性嵌入算法降维后得到的融合特征更多地表征了原始信号包含的局部信息,同时证明了局部线性嵌入算法相比主元分析算法具有更好的聚类效果。最后经局部线性嵌入特征融合下的砂岩破裂状态分类实验验证,融合特征后的识别率相对单一的时域特征识别提高了6%。该方法能显著提高岩石破裂状态分类的识别率,降维性能相对突出。

摘要：模糊C均值(Fuzzy C-Means,FCM)聚类算法存在过度依赖初始聚类中心,且未充分考虑隶属度矩阵变化趋势对聚类性能影响的缺陷,针对FCM存在的问题,提出了一种基于学习自动机的改进FCM聚类算法。算法改进了目标函数计算方式及隶属度矩阵,根据目标函数值以及平均类内距离的变化对智能体选择的行为进行奖励或者惩罚。通过UCI公共数据集以及工业生产中碳碳复合材料沉积炉生产数据进行实验,实验结果表明,相比K-means、FCM、IEWLFCM、LAC等几种已有聚类算法,在文中采用的实验数据集中,该文提出的基于学习自动机的改进FCM聚类算法在大多数数据集上准确率、FMI系数、JC系数均有所提升。

摘要：为了提高大量文本数据的特征选择能力,采用全覆盖粒计算方法对特征选择算法的数据高维性与稀疏性进行分析。针对TFIDF算法存在的缺陷,设计了一种经过改进后的TFIDF_SP算法,以区分文档内处于不同部位的特征词重要性,并根据不同特征选择方法对比结果判断算法有效性。研究结果表明,采用bLDA主题模型提取细主题粒度的时候也无法获得理想聚类效果,此时会对相同主题特征词造成弱化,将其判断为不同主题类型的特征词。在γ取值等于0.8时可以获得最优聚类效果,此时改进TFIDF算法能促进权重的进一步提升。所提出的改进TFIDF算法可以获得比TFIDF和bLDA主题模型更好的结果结合高1.62%的聚类准确率,表明当特征词方式词性与位置变化时会引起文档表达效果的显著影响。

摘要：K-means聚类算法简单快速,应用极为广泛,但是当处理海量数据时,时间效率仍然有待提高。当一个数据点远离一个聚类时,就没必要计算这两者之间的精确距离,以确定该数据点不属于这个类。应用三角不等式原理对其进行了改进,避免了冗余的距离计算。实验结果表明,改进之后在速度上有很大程度的提高,数据规模越大,改进效果越明显,且聚类效果保持了原算法的准确性。

摘要：为了提高混合聚类算法的准确率,提出基于优化人工鱼群算法的混合聚类算法。引入人工鱼群算法,辅以鲁棒性更强的K中心点算法优化了混合聚类方法的聚集效果。通过对人工鱼的行为和参数进行改善,避免了聚类效果易受离群点影响的问题,对理噪声数据的处理更好。结合K-中心点算法与人工鱼群算法的优势,解决了聚类算法初值依赖性,克服了鱼群算法后期迭代速度慢问题。仿真结果表明,该算法全局优化性能稳定,收敛速度加快,聚类效果明显提高,获得了较优的中心点与清晰地聚类划分。

摘要：传统的文本挖掘方法由于不能准确划分网络舆情关键词,导致文本挖掘时的聚类效果不佳。为此,本文提出基于大数据的网络舆情文本挖掘方法。首先,通过分布式处理方法控制系统延展性,创新文本混合数据储存形式,根据建立语义解析机制;其次,划分网络舆情关键词,划分文本特征为定义性原始数据和描述性原始数据;最后,提取网络舆情文本特征,基于大数据构建文本挖掘模型,完成基于大数据的网络舆情文本挖掘方法设计。