基于万有引力的簇间距离表示法--《江汉大学学报(自然科学版)》2014年05期
基于万有引力的簇间距离表示法
【摘要】：分析了几种现有聚类算法中簇间距离表示法的优缺点,并在此基础上提出了一种基于万有引力模型的簇间距离计算方法。该方法模仿物理学中力的合成原理,是对把各质点间引力数值直接相加的重要改进。理论分析及数据计算的结果都表明,该方法比引力直接相加有更广的适应性。
【作者单位】：
【关键词】：
【分类号】：O314【正文快照】：
0引言随着大数据时代的到来,聚类越来越受到人们的重视,也在越来越多的领域发挥作用。实际应用表明,运用聚类方法对已有的统计数据进行分析,相应地采取不同的措施,可以使得工作有针对性,从而提高工作效率。聚类是重要的数据分析方法。针对大量的数据样本,聚类就是根据样本之间
欢迎：、、)
支持CAJ、PDF文件格式，仅支持PDF格式
【参考文献】
中国期刊全文数据库
于勇前;赵相国;陈衡岳;王国仁;;[J];东北大学学报(自然科学版);2007年08期
季铎;王智超;蔡东风;张桂平;;[J];中文信息学报;2008年03期
李双虎;张风海;;[J];计算机工程与设计;2007年08期
张大庆;徐再花;;[J];沈阳农业大学学报;2012年05期
刘启亮;邓敏;彭东亮;王佳璆;;[J];武汉大学学报(信息科学版);2011年08期
【共引文献】
中国期刊全文数据库
王斌;陈秋华;王翠柏;;[J];北京邮电大学学报;2009年02期
陶运信;皮德常;;[J];高技术通讯;2010年01期
任睿;;[J];计算机光盘软件与应用;2014年05期
季铎;苗雪雷;;[J];沈阳航空工业学院学报;2008年05期
张忠平;王爱杰;柴旭光;;[J];计算机工程与应用;2009年15期
来旭;李国辉;赵福华;;[J];计算机工程与应用;2009年30期
汤林;陈建明;尚笑梅;;[J];计算机与现代化;2011年03期
张桂平;蔡东风;;[J];中文信息学报;2008年05期
黄晓斌;谭颖骞;;[J];情报理论与实践;2011年06期
令狐大智;李陶深;;[J];计算机工程与设计;2008年09期
中国重要会议论文全文数据库
季铎;蔡东风;郑伟;于水;;[A];第四届全国信息检索与内容安全学术会议论文集（上）[C];2008年
中国博士学位论文全文数据库
于秀娟;[D];吉林大学;2011年
中国硕士学位论文全文数据库
刘翠;[D];哈尔滨理工大学;2010年
陈秋华;[D];解放军信息工程大学;2009年
杨阳;[D];西安电子科技大学;2010年
刘启亮;[D];中南大学;2011年
王菁菁;[D];辽宁工程技术大学;2011年
齐昶;[D];解放军信息工程大学;2011年
臧少杰;[D];山东师范大学;2008年
李飞;[D];南京理工大学;2008年
王小乐;[D];国防科学技术大学;2008年
王易;[D];中南大学;2009年
【二级参考文献】
中国期刊全文数据库
于勇前;赵相国;陈衡岳;王国仁;;[J];东北大学学报(自然科学版);2007年08期
淦文燕;李德毅;王建民;;[J];电子学报;2006年02期
于剑,程乾生;[J];中国科学E辑:技术科学;2002年02期
于勇前;赵相国;王国仁;陈衡岳;;[J];控制与决策;2006年09期
岳士弘;李平;于剑;;[J];模式识别与人工智能;2004年04期
彭佳红,沈岳,张林峰;[J];计算机工程与设计;2005年05期
邹志文,朱金伟;[J];计算机工程与设计;2005年09期
李德仁,王树良,李德毅,王新洲;[J];武汉大学学报(信息科学版);2002年03期
闫超德;赵仁亮;陈军;赵学胜;;[J];武汉大学学报(信息科学版);2008年11期
刘启亮;李光强;邓敏;;[J];武汉大学学报(信息科学版);2010年03期
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
同方知网数字出版技术股份有限公司
地址：北京清华大学 84-48信箱 大众知识服务
出版物经营许可证 新出发京批字第直0595号
订购热线：400-819-82499
服务热线：010--
在线咨询：
传真：010-
京公网安备75号社区广播台
查看: 1601|回复: 8
UID237690帖子精华0积分21金钱348 M值0 阅读权限10最后登录
地铁族I, 积分 21, 距离下一级还需 29 积分
UID237690帖子精华0积分21威望0 人气0 注册时间
以13号线为例，为什么有的地铁站之间距离远，有的距离近，距离远地铁站之间完全可以再加几个站，这样的目的是什么？是为了快么
UID193265帖子精华0积分4955金钱18800 M值0 阅读权限60最后登录
地铁族VI, 积分 4955, 距离下一级还需 45 积分
UID193265帖子精华0积分4955威望12 人气1 注册时间
是从建筑成本、客流量、覆盖面积、远期与新线路换乘方案等各个因素综合考虑的……
站距大的地方往往中间客流量很小，两头客流量大。比如说房山线稻田站到大葆台站，中间横跨永定河床和大量农田，客流量小，中间不设站。
列车运行前方是前门站，下车的乘客请提前做好准备。前门站是换乘车站，换乘地铁8号线的乘客请在前门站下车。
The next station is Qianmen, please get ready for your arrival. Qianmen is a transfer station, passengers for Line 8 please prepear to get off.
UID75796帖子精华0积分927金钱6908 M值0 阅读权限40最后登录
地铁族IV, 积分 927, 距离下一级还需 73 积分
UID75796帖子精华0积分927威望5 人气0 注册时间
规划的时候，规划设计的同志坐在汽车上飞驰一遍，晚上回来酒足饭饱，第二天睡醒后在地图上凭借“超人的记忆”标的，所以13号线就成了现在这幅模样
我只期待13号线上的建材城东站，其它神马都是浮云
UID144180帖子精华0积分433金钱2381 M值0 阅读权限30最后登录
地铁族III, 积分 433, 距离下一级还需 67 积分
UID144180帖子精华0积分433威望0 人气0 注册时间
多方面考量，沿线人流集中程度应该是个指标吧？！
UID237690帖子精华0积分21金钱348 M值0 阅读权限10最后登录
地铁族I, 积分 21, 距离下一级还需 29 积分
UID237690帖子精华0积分21威望0 人气0 注册时间
规划中有的现有线路要加站，那为什么不当时就加了呢？现在开和以后开的区别是什么
UID167280帖子精华2积分3481金钱13531 M值3 阅读权限60最后登录
地铁族VI, 积分 3481, 距离下一级还需 1519 积分
UID167280帖子精华2积分3481威望69 人气0 注册时间
主要看沿线客流需求。
欢迎阅读我的小说《天将卫战》，详见.cn/dbgh118
我最不能容忍的：9号线与房山线贯通；4号线与恶心线拆分；房山线不北延。
期待9号线北段与丰台东大街的开通！
M1－苹土线，M2－内环线，M4－安天线，M5－宋天线，M6－苹东线，M7－西焦线，M8－朱美线，M9－国郭线，M10－外环线，M13－北环线，M14－张善线，M15－西俸线，YZ－宋亦线，CP－西陵线，FS－樊苏线，L1－机场线，L2－苹石线，L3－巴香线。
番禺广场－广州东站？天河客运站？机场南？机场北？
9号线和房山线的贯通之日就是我端阪艮槐的忌日！
UID162493帖子精华0积分8296金钱24207 M值0 阅读权限70最后登录
地铁族VII, 积分 8296, 距离下一级还需 1704 积分
UID162493帖子精华0积分8296威望1 人气5 注册时间
按客流，在主要居住区、商业区、工业区设站，没有客流的地方或客流少的地方不设站
UID191219帖子精华0积分2121金钱6739 M值0 阅读权限50最后登录
地铁族V, 积分 2121, 距离下一级还需 879 积分
UID191219帖子精华0积分2121威望0 人气-1 注册时间
主要应该是按客流设置
UID198597帖子精华1积分3486金钱13537 M值1 阅读权限60最后登录
地铁族VI, 积分 3486, 距离下一级还需 1514 积分
UID198597帖子精华1积分3486威望33 人气0 注册时间
& & 应该是酒还没醒。。。结果就‘对饮成三人’了。。。
论坛长老勋章
在地铁族注册达5年以上的会员捷配欢迎您!
微信扫一扫关注我们
当前位置：&>>&&>>&&>>&几种主要类聚方法的比较和试验
　　聚类分析是人类的区分标志之一，从孩提时代开始，一个人就下意识地学会区分动植物，并且不断改进。这一原理在如今不少领域得到了相应的研究和应用，比如模式识别、数据分析、图像处理、Web文档分类等。
　　将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。“物以类聚，人以群分”，在自然科学和社会科学中，存在着大量的分类问题。
　　聚类技术正在蓬勃发展，对此有贡献的研究领域包括数据挖掘、统计学、机器学习、空间数据库技术、生物学以及市场营销等。各种聚类方法也被不断提出和改进，而不同的方法适合于不同类型的数据，因此对各种聚类方法、聚类效果的比较成为值得研究的课题。
　　1 聚类算法的分类
　　现在有很多的聚类算法，而在实际应用中，正确选择聚类算法的则取决于数据的类型、聚类的目的等因素。如果聚类分析被用作描述或探查的工具，可以对同样的数据尝试多种算法，以发现数据可能揭示的结果。
　　已知的聚类算法可以大致划分为以下几类：划分方法、层次方法、基于密度的方法、基于网格的方法和基于模型的方法。
　　每一个类型的算法都被广泛地应用着，例如：划分方法中的k-means聚类算法、层次方法中的凝聚型层次聚类算法、基于模型方法中的神经网络聚类算法等。
　　聚类问题的研究早已不再局限于上述的硬聚类，即每一个数据只能被归为一类，模糊聚类也是聚类分析中研究较为广泛的一个“流派”。模糊聚类通过隶属函数来确定每个数据隶属于各个簇的程度，而不是将一个数据对象硬性地归类到某一簇中。目前已有很多关于模糊聚类的算法被提出，如F算法。
　　本文主要分析和比较k-means聚类算法、凝聚型层次聚类算法、神经网络聚类算法之SOM,以及模糊聚类的FCM算法。通过通用数据集进行聚类效果的比较和分析。
　　2 四种常用聚类算法研究
　　2.1 k-means聚类算法
　　k-means是划分方法中较经典的聚类算法之一。该算法的效率高，使得在对大规模数据进行聚类时广泛应用。目前，许多算法均围绕着该算法进行扩展和改进。
　　k-means算法以k为参数，把n个对象分成k个簇，使簇内具有较高的相似度，而簇间的相似度较低。k-means算法的处理过程如下：首先，随机地选择k个对象，每个对象初始地代表了一个簇的平均值或中心；对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇；然后重新计算每个簇的平均值。这个过程不断重复，直到准则函数收敛。通常，采用平方误差准则，其定义如下：
　　这里E是数据库中所有对象的平方误差的总和，p是空间中的点，mi是簇Ci的平均值。该目标函数使生成的簇尽可能紧凑独立，使用的距离度量是欧几里得距离，当然也可以用其他距离度量。k-means聚类算法的算法流程如下：
　　输入：包含n个对象的数据库和簇的数目k；
　　输出：k个簇，使平方误差准则最小。
　　步骤：
　　（1） 任意选择k个对象作为初始的簇中心；
　　（2） repeat；
　　（3） 根据簇中对象的平均值，将每个对象（重新）赋予最类似的簇；
　　（4） 更新簇的平均值，即计算每个簇中对象的平均值；
　　（5） until不再发生变化。
　　2.2& 层次聚类算法
　　根据层次分解的顺序，层次聚类算法分为凝聚的层次聚类算法和分裂的层次聚类算法。
　　凝聚型层次聚类的策略是先将每个对象作为一个簇，然后合并这些原子簇为越来越大的簇，直到所有对象都在一个簇中，或者某个终结条件被满足。绝大多数层次聚类属于凝聚型层次聚类，它们只是在簇间相似度的定义上有所不同。四种广泛采用的簇间距离度量方法如下：
　　这里给出采用最小距离的凝聚层次聚类算法流程：
　　（1） 将每个对象看作一类，计算两两之间的最小距离；
　　（2） 将距离最小的两个类合并成一个新类；
　　（3） 重新计算新类与所有类之间的距离；
　　（4） 重复（2）、（3），直到所有类最后合并成一类。
　　2.3 SOM聚类算法
　　SOM神经网络是由芬兰神经网络专家Kohonen教授提出的，该算法假设在输入对象中存在一些拓扑结构或顺序，可以实现从输入空间（n维）到输出平面（2维）的降维映射，其映射具有拓扑特征保持性质，与实际的大脑处理有很强的理论联系。
　　SOM网络包含输入层和输出层。输入层对应一个高维的输入向量，输出层由一系列组织在2维网格上的有序节点构成，输入节点与输出节点通过权重向量连接。学习过程中，找到与之距离最短的输出层单元，即获胜单元，对其更新。同时，将邻近区域的权值更新，使输出节点保持输入向量的拓扑特征。
　　算法流程：
　　（1） 网络初始化，对输出层每个节点权重赋初值；
　　（2） 将输入样本中随机选取输入向量，找到与输入向量距离最小的权重向量；
　　（3） 定义获胜单元，在获胜单元的邻近区域调整权重使其向输入向量靠拢；
　　（4） 提供新样本、进行训练；
　　（5） 收缩邻域半径、减小学习率、重复，直到小于允许值，输出聚类结果。
　　2.4 FCM聚类算法
　　1965年美国加州大学柏克莱分校的扎德教授第一次提出了‘集合’的概念。经过十多年的发展，模糊集合理论渐渐被应用到各个实际应用方面。为克服非此即彼的分类缺点，出现了以模糊集合论为数学基础的聚类分析。用模糊数学的方法进行聚类分析，就是模糊聚类分析。
　　FCM算法是一种以隶属度来确定每个数据点属于某个聚类程度的算法。该聚类算法是传统硬聚类算法的一种改进。
　　算法流程：
　　（1） 标准化数据矩阵；
　　（2） 建立模糊相似矩阵，初始化隶属矩阵；
　　（3） 算法开始迭代，直到目标函数收敛到极小值；
　　（4） 根据迭代结果，由最后的隶属矩阵确定数据所属的类，显示最后的聚类结果。
　　3 试验
　　3.1 试验数据
　　实验中，选取专门用于测试分类、聚类算法的国际通用的UCI数据库中的IS数据集，IRIS数据集包含150个样本数据，分别取自三种不同的莺尾属植物setosa、versicolor和virginica的花朵样本，每个数据含有4个属性，即萼片长度、萼片宽度、花瓣长度，单位为cm。在数据集上执行不同的聚类算法，可以得到不同精度的聚类结果。
　　3.2 试验结果说明
　　文中基于前面所述各算法原理及算法流程，用matlab进行编程运算，得到表1所示聚类结果。
　　如表1所示，对于四种聚类算法，按三方面进行比较：
　　（1）聚错样本数：总的聚错的样本数，即各类中聚错的样本数的和；
　　（2）运行时间：即聚类整个过程所耗费的时间，单位为s；
　　（3）平均准确度：设原数据集有k个类，用ci表示第i类，ni为ci中样本的个数，mi为聚类正确的个数，则mi/ni为第i类中的精度，则平均精度为：
　　3.3 试验结果分析
　　四种聚类算法中，在运行时间及准确度方面综合考虑，k-means和FCM相对优于其他。但是，各个算法还是存在固定缺点：k-means聚类算法的初始点选择不稳定，是随机选取的，这就引起聚类结果的不稳定，本实验中虽是经过多次实验取的平均值，但是具体初始点的选择方法还需进一步研究；层次聚类虽然不需要确定分类数，但是一旦一个分裂或者合并被执行，就不能修正，聚类质量受限制；FCM对初始聚类中心敏感，需要人为确定聚类数，容易陷入局部最优解；SOM与实际大脑处理有很强的理论联系。但是处理时间较长，需要进一步研究使其适应大型数据库。
　　4 结语
　　聚类分析因其在许多领域的成功应用而展现出诱人的应用前景，除经典聚类算法外，各种新的聚类方法正被不断被提出。&&来源:
技术资料出处:冯晓蒲， 张铁峰
该文章仅供学习参考使用，版权归作者所有。
因本网站内容较多，未能及时联系上的作者，请按本网站显示的方式与我们联系。
【】【】【】【】
上一篇：下一篇：
本文已有(0)篇评论
发表技术资料评论，请使用文明用语
字符数不能超过255
暂且没有评论!
12345678910
12345678910
前言：气体传感器是一种将气体的成份、浓度等信息转换成可以被人员、仪器仪表、计算机等利用的信息的装置！气体传感器一般被归为化学传感器的一类，尽管这种归类不一定科学。“气体传感器”包括：半导体气体传感器、电化学气体传感器、催化燃烧式气体传感器、热导式气体传感器、红外线气体传感器等。[][][][][][][][][][]
IC热门型号
IC现货型号
推荐电子百科簇之间的距离
Percent Part Expansion
百事可乐 的博客 ... ·Board Outline Clearance簇到板框的最小间距 ·Percent Part Expansion簇之间的距离 ·Efforts布局的努力程度 ...
基于17个网页-
在层次聚类过程中，重新定义了簇与簇之间的距离度量，并以此为基础建立堆结构。
The distance measure of two clusters is redefined. Based on this concept, heap structure is constructed.
利用节点的剩余能量、可信度以及节点与汇聚节点之间距离选择簇首。
Cluster-heads are elected by residual energy of node, the distance between node and sink node, and node's trust degree.
$firstVoiceSent
- 来自原声例句
请问您想要如何调整此模块？
感谢您的反馈，我们会尽快进行适当修改！
请问您想要如何调整此模块？
感谢您的反馈，我们会尽快进行适当修改！