基于混合并行遗传聚类的文本特征抽取方法研究

同义词和近义词现象以及强关联语义信息加大了文本向量的特征维数,对文本分类的效率和精度都会带来极大影响.为了有效降低文本向量的特征维数,提出一种基于混合并行遗传聚类的文本特征抽取方法.该方法首先使用K-means聚类算法进行特征词粗粒度聚类,然后采用混合并行遗传算法对各类特征词进行细粒度聚类,最后对各聚类中的特征词进行分析并压缩,得到最终能反映文本类别特征和语义信息的文本特征词集合.实验证明,该方法是一种有效的文本特征抽取方法,能切实提高文本分类的效率和精度.     

基于遗传算法的自适应文本模糊聚类研究

针对FCM聚类算法时初始聚类中心的选择敏感,以及聚类数C难以确定的问题,提出一种基于遗传算法的自适应文本模糊聚类方法.该方法首先将文档集合表示成向量空间模型,并采用一种新型的可变长染色体编码方案,随机选择文本向量作为初始聚类中心形成染色体,然后结合FCM算法的高效性和遗传算法的全局优化能力,通过遗传进化,有效地避免了局部最优解的出现,同时得到了优化的聚类数目和聚类结果.实验表明该算法是一种精确高效的文本聚类方法.     

基于并行遗传算法的K-means聚类研究

针对传统K-means聚类算法对初始聚类中心的选择敏感,以及聚类数K难以确定的问题,提出一种基于并行遗传算法的K-means聚类方法.该方法采用一种新型的可变长染色体编码方案,随机选择样本点作为初始聚类中心形成染色体,然后结合K-means算法的高效性和并行遗传算法的全局优化能力,通过种群内的遗传、变异和种群间的并行进化、联姻,有效地避免了局部最优解的出现,同时得到了优化的聚类数目和聚类结果.实验表明该方法是一种精确高效的聚类方法.     

一种特征加权的聚类算法框架

为了考虑数据各维特征对聚类的不同贡献,并把有监督特征评价方法应用到无监督分类问题中,提出一种特征加权的聚类算法框架.该框架首先通过某种聚类算法对数据聚类,然后,根据聚类结果,采用有监督特征评价方法学习各维特征的权值,再根据特征权值重新聚类,之后再次学习特征权值,该过程反复迭代,直至算法收敛或达到指定的迭代次数.欧几里德空间内基于距离、基于密度的聚类算法均适用于本框架.基于本框架,采用模糊C均值聚类算法(FCM)、密度聚类算法(DBSCAN),并通过信息增益特征评价、ReliefF特征评价方法,对多个UCI数据集进行了实验,验证了该框架的有效性.     

改进的聚类算法在医学图像分割中的应用

针对医学图像的特点,设计了一种聚类分析的图像分割算法,并且将遗传算法引入聚类,利用遗传算法的并行性和随机搜索性,从DBSCAN算法出发,针对其局限性提出了一种基于取样的DBSCAN算法及其遗传优化,从而达到较好的分割效果。     

一种基于网格和密度的数据流聚类算法

在"数据流分析"这一数据挖掘的应用领域中,常规的算法显得很不适用.主要是因为这些算法的挖掘过程不能适应数据流的动态环境,其挖掘模型、挖掘结果不能满足实际应用中用户的需求.针对这一问题,本文提出了一种基于网格和密度的聚类方法,来有效地完成对数据流的分析任务.该方法打破传统聚类方法的束缚,把整个挖掘过程分为离线和在线两步,最终通过基于网格和密度的聚类方法实现数据流聚类.     

基于改进K-均值聚类的快速分形图像编码算法

将先进的K-均值聚类理论引入到分形图像编码领域,是目前国际学术界的研究热点之一.本文全面分析了K-均值聚类的初始聚类中心选取问题,给出了基于均值一标准差的初始聚类中心选取新方案,并据此提出了一种新的快速分形图像编码算法.仿真实验表明,本文所提出的快速分形图像编码算法是一种高效的图像压缩方法,不仅其压缩效果明显优于传统K_均值聚类分形图像压缩方案,而且具有较短的编码时间.同时,该算法还具有较强的通用性与适应性(传统K-均值分形编码方法对于纹理图像压缩效果较差,而本文算法的压缩效果却较理想).     

基于多维自组织特征映射的聚类算法研究

作为神经网络的一种方法,自组织特征映射在数据挖掘、模式分类和机器学习中得到了广泛应用.本文详细讨论了自组织特征映射的聚类算法的工作原理和具体实现算法.通过系统仿真实验分析,SOFMF算法很好地克服了许多聚类算法存在的问题,在时间复杂度上具有良好的性能.     

谱聚类算法综述

谱聚类算法是近年来国际上机器学习领域的一个新的研究热点.谱聚类算法建立在谱图理论基础上,与传统的聚类算法相比,它具有能在任意形状的样本空间上聚类且收敛于全局最优解的优点.本文首先介绍了图论方法用于聚类的基本理论,然后根据图划分准则对谱聚类算法进行分类,着重阐述了各类中的典型算法,并对算法进行了比较分析,最后进行总结并提出了几个有价值的研究方向.     

基于改进免疫遗传算法的聚类分析研究与应佑

本文分析了聚类的思想,将免疫原理引入到遗传算法并应用于聚类分析过程中,提出了改进的免疫遗传算法(MIGA).该算法借鉴了免疫算法中有关浓度的定义,并使用了GA算法中交叉和变异的思想.通过实验显示该方法优于基本的遗传算法.     

一种基于粗集理论的遗传分类算法

本文提出了一种基于粗集理论的遗传分类算法,该算法可以无需任何辅助信息,只根据数据自身提供的信息对数据进行简化,提取有用的特征,并求得相应的规则.同时,还提出了一种基于属性重要度的分辨矩阵简化方法,该方法可提高对条件属性的约简效率.     

基于遗传算法的药动学参数估算

目的:利用遗传算法全局和局部搜索力强的优势,进行非线性药动学参数估算。方法:以最小二乘法建立目标函数,拟合一室模型血管外给药的药-时数据。结果:遗传算法与传统经典方法拟合的药动学参数无显著性差异(P>0.05),通过算例验证了其处理非线性药动学问题的有效性。结论:遗传算法适用于估算非线性药室模型的药动学参数。     

基于遗传算法的传感器非线性校正

针对最小二乘法等传统方法的不足,提出了基于遗传算法的传感器非线性校正。计算机仿真表明,该方法算法简单,收敛性好,精度高。     

应用人工神经网络结合遗传算法优化汉防己甲素壳聚糖微球制备工艺

目的:优化汉防己甲素壳聚糖微球的制备工艺参数。方法:应用人工神经网络建模结合遗传算法寻优,确定反应温度、搅拌速率、乳化剂浓度、交联剂用量,提高微球载药量、包封率,优化微球粒径,降低跨距,实现微球制备工艺参数及其多指标的同步优化。结果:优化的模型结果为反应温度18.2℃、搅拌速率1167.6r·min-1、乳化剂浓度12.2%、交联剂用量1.5mL,微球的载药量43.2%、包封率49.5%,粒径8.6μm、跨距1.0,验证试验数据与模型优化预测结果吻合。结论:应用人工神经网络建模结合遗传算法寻优,可以实现汉防己甲素壳聚糖微球的制备工艺参数及其多指标的同步优化。     

基于遗传算法的威布尔溶出曲线参数估算方法研究

目的:利用遗传算法全局搜索能力的优势,进行威布尔溶出曲线参数估算。方法:以通脉丸中竹节香附素A的溶出数据为研究载体,利用Matlab软件中遗传算法优化工具箱实现威布尔溶出曲线参数估算,并与非线性最小二乘法估算结果进行统计学比较。结果:遗传算法与非线性最小二乘法估算的威布尔溶出曲线参数无显著性差异(P>0.05),而遗传算法估算参数的校正均方差小于非线性最小二乘法。结论:遗传算法适用于威布尔溶出曲线参数的估算。     

小生境遗传算法多目标优化金莲花的醇提工艺

目的:采用小生境遗传算法两目标优化金莲花的醇提工艺。方法:以乙醇体积分数、提取时间、提取次数、乙醇用量为考察因素,以出膏率和总黄酮含量为评价指标,采用正交试验并结合小生境遗传算法两目标优选金莲花的醇提工艺。结果:最优的醇提工艺为乙醇体积分数为70.47%,提取时间为1.2 h,提取次数为3次,乙醇用量为生药量的11.46倍。在此条件下,金莲花醇提的出膏率、总黄酮质量分数分别为39.86%和11.49%。结论:所选工艺合理、可行,可用于金莲花的提取,表明小生境遗传算法可用于选择药材的提取条件。