摘要：发现具有相似借阅倾向的读者群体,并针对不同群体进行个性化读者服务,能够有效提升高校图书馆的读者服务质量,促进高校师生学习和科研进步。首先,本文设计了基于图书共借关系的读者聚类算法框架,讨论了算法中的读者距离定义、簇间距离选取和停机条件3个关键设计。其次,本文介绍了算法实现,包括如何基于图书馆的数据库系统高效计算读者距离,如何利用scipy程序库实现读者凝聚层次聚类算法。最后,在某高校图书馆图书外借数据集上进行验证。结果表明,该算法能够有效发现高校中具有相似借阅倾向的读者群,优于传统的根据读者类型和所属院系的读者群体划分方法。

摘要：提出了一种基于元模型建模和聚类算法的设计空间减缩策略,能直接将设计空间减小到相对小的子空间。建议的方法分为三步:首先,进行低精度元模型建模,其次重新设计样本点并基于元模型求解样本点函数值和导数,应用最短距离层次聚类算法确定样本点聚类数与聚类中心,采用模糊c均值算法完成设计空间划分,生成设计空间子空间;最后,求解子空间目标函数的均值,确定保留子空间,并在保留子空间中对函数进行优化,达到目标函数全局最优解。测试函数和工程算例表明,该方法能够有效减小设计空间。

摘要：聚类分析是机器学习和模式识别领域的一个重要问题,聚类算法常用于解决这类问题。针对传统聚类算法运算量大、不适应任意分布数据聚类的不足,提出了一种基于数据包含度的自动聚类算法。该算法引入数据包含度的概念,能够自动确定聚类个数和聚类中心,并进一步采用跟随策略实现聚类。多组数据的实验验证了自动聚类算法的有效性。对不同分布的数据进行了自动聚类算法与K-means聚类算法的聚类结果比较,实验结果表明自动聚类算法具有很好的聚类性能。

摘要：通过分析当前的聚类算法在产品模块划分过程中普遍存在的局限性,结合产品配置的特点,对模糊C均值算法所构建的具有片面性的目标函数和"爬山法"寻优模式的缺点进行了改进,并用于产品的模块化结构规划。提出了一种利用演化细胞学习自动机与改进后的模糊C均值聚类算法相结合的智能聚类算法进行产品粒度划分。在分析影响配置设计主要因素的基础上,建立需求满意度、装配复杂度和变型设计复杂度等三个量化指标,对不同粒度层次下模块划分结果的合理性与有效性进行评价,进而确定出最佳的粒度大小和模块数量。最后,通过实例验证说明了所提方法的可行性。

摘要：提出了基于免疫聚类算法的基因表达数据分析方法.根据基因表达数据矩阵的特点,设计了改进的Consine系数来度量基因相似度;借鉴生物免疫学的有关免疫理论,利用基因表达数据分析的先验知识自适应地改变抗体本身及其与抗原亲合度的关系,构造了基于免疫优势克隆的聚类算法.与K-均值算法和遗传算法的对比实验表明,该算法能够获得较大的类内紧制度、较小的类间分离度,具有较好的工程应用价值.

摘要：现有的基于密度的数据流聚类算法难于发现密度不同的簇,难于区分由若干数据对象桥接的簇和离群点.本文提出了一种基于共享最近邻密度的演化数据流聚类算法.在此算法中,基于共享最近邻图定义了共享最近邻密度,结合数据对象被类似的最近邻对象包围的程度和被其周围对象需要的程度这两个环境因素,使聚类结果不受密度变化的影响.定义了数据对象的平均距离和簇密度,以识别离群点和簇间的桥接.设计了滑动窗口模型下数据流更新算法,维护共享最近邻图中簇的更新.理论分析和实验结果验证了算法的聚类效果和聚类质量.

摘要：博客聚类是处理博客信息的有效方法,提出基于评论修正的博客页面聚类算法.首先分析博客所包含的信息层次结构,然后利用博客页面的通用属性构建博客属性模型,基于博客属性模型对博客页面进行聚类,并且在初次聚类的基础上利用博文的评论对聚类结果进行修正.采用通用的熵和纯净度来衡量聚类结果,根据评论利用方式的不同,设计了两种实验方案:一个实验直接使用评论参与聚类,另一个将评论作为聚类后的修正手段.实验结果对比表明,在大多数情况下,利用评论作为修正手段的聚类效果要优于直接利用评论参与聚类.

摘要：传统的子空间聚类和谱聚类中普遍使用谱松弛方法聚类,需要先计算拉普拉斯矩阵的特征向量。特征向量中包含负数,根据元素的正负可以直接得到二类聚类的结果。对于多类聚类问题,需要递归地进行二划分,或在特征向量空间中使用k-means算法聚类,分配类簇标签是间接的,这种后处理的聚类方式会增加聚类结果的不稳定性。针对谱松弛的问题,提出了一种非负拉格朗日松弛优化的子空间聚类算法,在目标函数中集成了自表示学习和秩约束。通过非负拉格朗日松弛来求解相似性矩阵和隶属矩阵,并保持隶属矩阵的非负性。在这种情况下,原来的隶属矩阵就变成了类簇的后验概率,当算法收敛时,只需将数据点分配给具有最大后验概率的类簇,即可得到聚类结果。与已有的子空间聚类和谱聚类方法相比,所提出的算法设计了新的优化规则,可以实现类簇标签的直接分配,不需要额外的聚类步骤。最后,给出了算法的收敛性证明。在5个基准聚类数据集上的大量实验表明,所提算法的聚类性能优于近几年来的子空间聚类方法。

摘要：为了改善免疫网络聚类算法的效果,进一步提高算法的数据浓缩率和分类正确率,设计新的抗体变异策略和独特型网络调整机制,提出免疫网络聚类新算法。首先,借鉴Timmis的人工识别球概念,结合模糊理论,构造独特型模糊免疫识别超球对抗体网络实现更新,并利用复杂网络中反映社群结构特征的模块性指标,构造模块性聚类准则函数,提出基于模块合并的记忆抗体提取算法,实现抗体网络的自适应压缩;其次,基于免疫网络聚类策略,提出基于模块性准则函数的模糊免疫网络聚类算法,UCI数据集的试验分析表明,该算法能够获取合理的记忆抗体网络,提高了算法的数据浓缩率和分类正确率;最后,将算法应用于一个四级往复式压缩机的故障诊断中,与aiNet等免疫网络聚类算法相比,获取较高正确率的同时大大提高了浓缩率,对故障诊断具有重要意义。

摘要：为准确有效地提取纺织品文物的色彩,实现纺织品文物的纹样数字化处理,文章以新疆巴里坤出土的一组清代纺织品为例,设计了一种基于多变量模糊C均值(Multivariate Fuzzy C-mean,MFCM)聚类算法与K-means++算法相结合的纺织品纹样复原方法。首先,获取图像并通过双边滤波与高斯滤波对图像进行平滑降噪处理;然后采用MFCM聚类算法对平滑降噪后的图像进行分割;接着采用K-means++算法分析聚类数量,有效提取纺织品主色,并较好保留图像细节;最后通过计算机软件提取文物纹样轮廓,将提取的主色填充至纹样轮廓,完成纺织品文物纹样的数字化模拟。实验结果表明,该方法可以较为准确地提取纺织品文物色彩,并且提取效果优于传统数字化取色方法,取色效率更高,具有进一步研究应用的价值。