摘要：针对现有聚类集成谱算法聚类结果不稳定的问题,引入近邻传播聚类思想,设计了基于近邻传播的聚类集成谱算法(APCESA).该算法先由聚类集成和谱分得到空间结构相对简单的文本低维嵌入,然后通过近邻传播算法得到最终的聚类结果.在谱分解过程中,采用矩阵变换方法,避免了谱算法中特征值分解的高昂计算代价.对真实文本数据集的实验结果表明,所提算法比对比算法聚类更稳定,且聚类结果的NMI值和ANMI值均高于对比算法.

摘要：针对卫星典型构件在工艺设计过程中重复性工作繁多、大量历史工艺数据未得到充分利用的问题,进行了典型工艺过程发现的研究,以提高典型工艺过程的利用率,达到提高工艺设计效率的目的。对典型工艺过程的发现问题进行了描述,建立了工艺过程的属性有向图模型,通过工艺单元的相似性度量和工艺路线的相似性度量得到了工艺过程的相似性;基于工艺过程的相似性,通过近邻传播算法对工艺过程进行聚类分析,并根据Silhouette指标和IGP指标对聚类结果进行评价分析,得到有效聚类结果和最佳聚类数目。以卫星结构板的机加工艺为例,验证了算法的有效性,并获得了卫星结构板的5类典型机加工艺过程。

摘要：在聚类分析中,决定聚类质量的关键是确定最佳聚类数.对此,从样本几何结构的角度定义了样本聚类距离和样本聚类离差距离,设计了一种新的聚类有效性指标.在此基础上,提出一种基于近邻传播算法确定样本最佳聚类数的方法.理论研究和实验结果表明,所提出的指标和方法能够有效地对聚类结果进行评估,适合于确定样本的最佳聚类数.

摘要：数据采样是快速提取大规模数据集中有用信息的重要手段,为更好地应对越来越大规模的数据高效处理要求,借助近邻传播算法的优异性能,通过引入分层增量处理和样本点动态赋权策略,实现了一种能够非常有效地平衡处理效率和采样质量的新方法.其中的分层增量处理策略考虑将原始的大规模数据集进行分批处理后再综合;而样本点动态赋权则考虑在近邻传播过程中对样本点进行合理的动态赋权,以获得采样的数据空间上更好的全局一致性.实验中,分别使用人工数据集、UCI标准数据集和图像数据集进行性能分析,结果表明:新方法与现有相关方法在采样划分质量上可达到同等水平,而计算效率则可实现大幅提升.进一步将新方法应用于深度学习的数据增强任务中,相应的实验结果表明:在原始数据增强方法上结合进高效增量采样处理后,在保持总训练数据集规模的情况下,所获得的模型性能可实现显著的提升.

摘要：针对近邻传播(AP)聚类算法存在运算时间长、空间复杂度高而难以应用于较大规模图像数据处理的问题,提出一种将mean shift(MS)算法和AP算法相结合的彩色图像分割方法——MSAP算法.首先应用MS算法对输入目标图像进行预分割,将分割后的区域数目代替原图像像素点数目作为AP算法输入数据的规模,计算每个区域中所有像素的彩色向量平均值,并将其作为AP算法输入的数据点,选用数据点间的距离作为相似度的测度指标;然后应用AP算法在数据相似度矩阵上进行聚类,得到最终的图像分割结果.实验结果表明,与AP算法相比,MSAP算法在运行时间和分割效果方面都有显著的提高.

摘要：为解决传统无线传感器网络路由算法在分簇上存在不均匀分簇问题,设计了一种近邻传播聚类的分簇路由算法—APCRA。该算法根据节点的密集程度和最优簇头数,利用近邻传播聚类算法将传感器网络优化分簇,划分好的簇结构在整个网络生命周期内固定不变,以减少频繁组簇引发的能量消耗。选择簇头考虑各节点剩余能量和被选簇头节点至簇内其他节点的平均距离,目的让能量剩余多和与簇内其它节点通信代价小的节点担任簇头。仿真结果表明,APCRA算法分簇结构相比其它算法更优,网络能量消耗更少,网络生命周期更长。

摘要：现有的动态分簇算法大多假设系统知道完全的信道状态信息(CSI),但这在实际系统中较难实现。针对这一问题,提出了一种部分CSI下的近邻传播动态分簇算法。在每个基站已知一定地理区域内基站CSI的情况下,利用协同度设计输入矩阵,通过近邻传播的方式在全网内传播吸引度及归属度;然后,通过协作证据积累过程,生成多个协同簇。仿真结果表明,该算法的分簇性能接近于完全CSI下的利益树分簇算法,算法的收敛速度受系统内基站数的影响较小,收敛速度快,适用于实际系统。

摘要：近邻传播聚类算法(affinity propagation,AP)受偏向参数影响较大,很难确定最优聚类所需的参数。设计了两阶段近邻传播半监督聚类算法(two-stage semi-supervised clustering algorithm based on affinity propagation,2SAP),在整个数据集上运行半监督近邻传播算法(semi-supervised clustering based on affinity propagation,SAP),得出类代表点集合,在类代表点集合上运行SAP算法得出结果。在实际数据集上进行实验,结果证实:与算法SAP和并行近邻传播半监督聚类算法(parallel computation of semi-supervised clustering algorithm based on affinity propagation,PSAP)相比,2SAP算法的CRI和FCRI值较高,而相应的离散系数较小,说明2SAP受偏向参数的影响较小。

摘要：为快速准确地将断层从地震数据中识别出来,提出一种基于近邻传播聚类与曲线拟合的断层识别方法。通过层位的横向端点确定层位不连续点;采用近邻传播聚类算法对层位不连续点进行聚类,属于同一类的不连续点用于确定一条断层;使用曲线拟合方法对每一类层位不连续点进行拟合,拟合的曲线即为断层。该方法可以准确地识别断层且计算量较小,通过与其它方法在实际地震数据上的实验对比,验证了其有效性。

摘要：聚类是数据挖掘领域中发现数据隐含模式的有效方法之一.针对传统近邻传播聚类算法中采用欧式距离表示数据相似度,不能有效处理复杂结构数据的不足,提出了一种基于密集度量元的近邻传播聚类算法.该算法首先引入密度的思想,然后在近邻传播算法的框架下定义密度因子,设计新的空间一致性距离测度类欧式距离,构造基于密度敏感的相似性度量元,提高了传统算法处理复杂结构数据的性能.最后通过仿真实验验证了该算法的有效性.