摘要：高速接口芯片是高性能互连网络通信中的一款重要IP,针对56 Gb/s四脉冲幅度调制信号在高性能互连网络背板通信中,由于传输距离长信道衰减严重导致误码率高的问题,提出一种面向56 Gb/s高速Serdes接收机DSP设计。该DSP采用64路并行结构,通过16抽头前向反馈均衡器,以及1抽头预判决反馈均衡器对接收端数字化后的信号进行处理;采用基于k-均值聚类算法生成动态变化的判决电平并结合最小均方误差算法,能够处理15~35 dB不同信道衰减下的均衡问题。为了验证算法的性能,还搭建了一个基于模拟前端芯片和现场可编程门阵列的实验验证平台。实验结果表明,在信道衰减为15~35 dB@14 GHz,速率为56 Gb/s的条件下,误码率均小于5e-10。

摘要：空间数据挖掘是数据挖掘的一个新的分支,空间聚类分析是空间数据挖掘中的一个重要研究课题。本文在分析遗传算法及k–均值算法的优越性和不足的基础上,设计了一种遗传k-均值空间聚类分析算法,该算法兼顾了局部收敛和全局收敛性能。实验表明,其结果优于传统k-均值聚类方法及单纯的遗传算法聚类。

摘要：在应用软件的开发过程中 ,软件测试占有极其重要的位置。测试算例自动生成是软件测试过程中的核心问题。将遗传算法的基本思想和k -均值算法相结合 。

摘要：为了提高分类器的分类率,再一次把模糊的思想引入k-均值算法,构成双重模糊k-均值算法的分类器,所不同的是把模糊化思想引入到分类规则上;用这样一个模糊规则来表示分类的模糊系统,更加有效地构建了一个能够对训练样本比较准确分类的模糊分类器,用这种方法设计的分类器有效地提高了分类器的分类率;最后用Iris数据进行仿真测试,测试结果显示其分类率能够达到98%左右,并且不需要预定义参数,训练时间短,方法简单。

摘要：基于k-均值算法的模糊分类器具有很好的分类效果 ,用它可以很准确的对训练样本进行分类 .此方法是将k -均值算法应用于训练数据的聚类 ,对每个聚类的半径和聚类的中心都是可计算的 .而模糊系统设计方法就是用模糊度来描述聚类 ,对训练数据进行高效且准确的分类 .这种方法有下面几个特点 :(a)不要预定义参数 ;(b)训练时间短 ;(c)简单 ;最后用一个例子对这种模糊分类器进行分析验证 .

摘要：针对传统k-均值聚类算法需要事先确定聚类数,以及对初始质心的选择具有敏感性,从而容易陷入局部极值点的缺点,使用了一种基于可变染色体编码长度的遗传算法对传统k-均值聚类进行改进。该算法可以在事先不确定k值的情况下,通过多次的选择、交叉、变异的遗传操作,最终得到最优的聚类数,以及最优的初始质心集。通过Reuters数据集的实验结果表明,基于该算法的聚类划分结果明显优于传统k-均值聚类算法,并且好过基于固定染色体编码长度遗传算法的k-均值聚类算法。

摘要：传统k-均值聚类算法处理数据效率低下,而且结果偏差较大。为此,本文涉及一种优化算法,通过衡量处罚方式的程度控制算法迭代方式,以计算所得簇的平均误差的数值为依据,计算簇分配权值的大小,再用加权准则函数计算簇集中的加权距离,将取值最小的簇作为样本点,筛选掉平均误差较大的簇,从而提高算法的效率。用本文设计的算法与传统k-均值算法相比较,以含有大量噪音的数据集为实验数据,发现在抗噪性、聚类效果和运行稳定性方面,本文算法都明显优于传统算法。

摘要：k近邻算法(k-Nearest Neighbor,k-NN)和k-均值(k-means)算法在数据挖掘,文本分类,人脸识别等领域中被广泛应用.相比于深度学习(如卷积神经网络,Convolutional Neural Networks,CNNs),k-NN和k-means能获得相近的精度情况下提供更简单的计算.尽管如此,硬件加速器在计算k-NN和k-means过程中,需大量访问片外动态随机存取存储器(Dynamic Random-Access Memory,DRAM)设备,能耗非常高.为解决这一问题,本项工作提出一个基于近内存计算(near-memory computing)的k-NN和k-means的可配置加速器kNMC.该加速器通过配置能灵活调度k-NN和k-means.为提高加速器的能效,本项工作还进行设计空间探索,探索加速器达到最优能效的片上缓存(on-chip buffer)容量和处理单元(Process Element,PE)规模的配置.实验结果表明,kNMC与最先进的基准加速器相比,能有效提升性能和能效.

摘要：聚类分析技术已经广泛应用于基于内容的图像信息挖掘领域,该技术提高了图像检索的速度和质量。k-均值算法和自适应算法是两个典型的聚类分析算法,但k-均值算法严重依赖于经验参数和阙值的设定;自适应算法得到的聚类个数太多,相应的就是类内的图像个数过少,效率不是很高。从选取初始聚类点是否具有确定性、迭代次数是否过多和聚类个数是否适当等方面考虑,提出了一种新的聚类算法,即动态的k-均值法。模拟实验的结果表明,该算法具有较好的准确性和效率,使检索的质量和速度都得到了很大的提高。

摘要：研究了响度、尖锐度、粗糙度、波动强度等主要的心理声学参数及其计算方法,利用主要的心理声学参数作为目标特征参数用于水下目标分类识别,并以正确识别率为准则对这些特征参数进行了修改。使用k-均值聚类方法对3类舰船噪声实测数据进行了目标分类识别仿真实验。实验结果表明,该方法提取的特征能够较好地反映信号本质,取得了较好的分类识别效果,特别是以修改后的心理声学参数为特征具有更高的识别率。