|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 一种新的混合聚类算法显示文摘聚类是数据挖掘的主要技术之一,是一种无导师监督的模式识别方式。聚类分析就是按照数据间的相似程度,依据特定的准则将数据划分成不同子类。K-平均算法是经典的聚类算法。蚂蚁聚类算法是近来涌现的新的聚类算法,它通过模拟蚁群的智能行为进行聚类分析,已经在数据挖掘中得到应用。通过分析蚂蚁聚类算法和K-平均算法两种不同聚类算法的基本思想,将两种算法结合得到混合聚类算法,仿真实验证明混合聚类算法的算法性能优于蚂蚁算法和K-平均算法。 | 吴文丽 刘玉树 赵基海 | 2007 | 系统仿真学报2007，19，1： | 18 |
| 2 | 传染病多维度聚集性探测方法显示文摘及早发现异常健康事件的苗头是有效进行传染病早期预警的关键。现有的传染病聚集性探测仅限于时间、空间或时空维度,往往容易忽略病例个人情况从其他方面反映的信息,从而造成过度预警。论文结合蚁群聚类算法和Bayesian Gamma-Poisson模型,提出一种全新的传染病多维度聚类探测技术。研究区麻疹爆发案例证明该技术在继承以往时空聚集性探测技术思想的基础上,考虑了病例的属性信息,能更为灵敏、准确地找出传染病聚集区域。此方法在实际工作中具有潜在的重要应用价值。 | 廖一兰 王劲峰 杨维中 李忠杰 金莲梅 赖圣杰 郑晓瑛 | 2012 | 地理学报2012，67，4： | 14 |
| 3 | 蚁群聚类算法在煤矿安全评价人因事故分析中的应用显示文摘详细分析了煤矿安全人因事故中的主导因素,应用蚁群聚类算法从职工素质、组织管理、心理及生理因素和工作环境4个方面进行聚类分析,建立了对煤矿生产中影响较大的人因事故主导因素分类模式,仿真实验表明,管理因素是煤矿人因事故中的关键因素,并有针对性地给出相应防范措施. | 马小平 金珠 | 2009 | 煤炭学报2009，34，5： | 13 |
| 4 | 一种基于信息素的蚁群聚类算法显示文摘蚁群算法作为一种新型的优化方法,具有很强的适应性和鲁棒性。基于蚁群算法的聚类方法已经在当前数据挖掘研究中得到应用。文章提出了一个新颖策略来解决无人监督的数据聚类问题,利用信息素控制蚂蚁随机移动提高算法效率,采用运动速度各异的多个蚂蚁独立并行进行聚类来提高聚类质量。实验结果表明该方法是有效的。 | 张建华 赵东东 江贺 张宪超 | 2006 | 计算机工程与应用2006，42，20： | 12 |
| 5 | 基于改进的人工蚁群的图像分割算法显示文摘蚁群算法具有良好的离散型、并行性、正反馈性和鲁棒性,非常适合用于图像分割。基本蚁群算法存在着收敛速度慢、图像边缘的细节信息保留不完全等不足。改进了蚁群算法的启发信息,提高了蚁群算法的收敛速度,同时更有效地保留图像边缘的细节信息。图像的奇异值中只包含了少量的细节信息,大量细节信息体现在图像矩阵的2个正交矩阵中。通过利用奇异值分解作为启发信息,与信息素共同指导蚂蚁的行为。通过对蚂蚁行走路径上的信息素分布进行更新,使得分布在目标路径上的信息素逐渐增大,逐渐向分割图像收敛,根据信息素分布提取分割结果。仿真实验表明,对图像得到了理想的分割结果。 | 邢旭东 周旭 米健 | 2013 | 无线电通信技术2013，39，6： | 12 |
| 6 | 基于阈值和蚁群算法结合的聚类方法显示文摘为了改善聚类分析的质量,提出了一种基于阈值和蚁群算法相结合的聚类方法.按此方法,首先由基于阈值的聚类算法进行聚类,生成聚类中心,聚类个数也随之初步确定;然后将蚁群算法的转移概率引入K-平均算法,对上述聚类结果进行二次优化.实验表明,与K-平均算法等相比,该聚类方法的F-测度值(F-m easure)更高. | 杨燕 张昭涛 | 2006 | 西南交通大学学报2006，41，6： | 11 |
| 7 | 一种改进的K-means蚁群聚类算法显示文摘现有的K-means蚁群聚类算法,首先进行K-means聚类算法操作,快速、粗略地确定初始聚类中心,接着根据上一步获得的聚类中心再进行蚁群算法聚类操作,有效地解决蚁群聚类算法收敛速度过慢的问题。研究发现,现有的Kmeans蚁群聚类算法并没有改善算法在迭代后期易出现收敛于非全局最优的缺陷。针对这一问题,提出一种改进的Kmeans蚁群聚类算法。每次迭代结束时,随机选择一个或多个簇,再从选中的簇里选择含有信息素最小的节点进行变异操作,把选中的节点变异到其他簇,计算评价值判断变异是否进行。仿真实验结果表明,用F值表示的平均值和最差结果都比原有的算法较好,有效解决了原有算法易收敛于非全局最优及早熟问题,但由于变异操作使算法运行时间相对较长。 | 李振 贾瑞玉 | 2015 | 计算机技术与发展2015，25，12： | 11 |
| 8 | 基于遗传和蚁群算法融合的聚类新方法显示文摘遗传算法具有快速良好的全局搜索能力,而蚁群聚类算法具有良好的分布式并行性和正反馈能力。将两种算法进行融合,充分利用算法各自的优势和特点,能更有效地进行聚类分析。实验证明这种新组合算法在优化能力和时间性能上比常用的聚类算法有比较明显的优势。 | 邹远强 李国徽 赵梓屹 | 2006 | 科学技术与工程2006，6，23： | 9 |
| 9 | 基于蚁群聚类的智能优化算法及应用显示文摘为了解决数据挖掘问题中离散优化问题,提高全局的优化能力,在研究基本蚁群聚类模型的基础上,通过改进,提出了一种新的蚁群聚类组合算法,将此算法应用于银行信用卡客户的消费行为分析,通过数据测试和性能分析,证明这种算法在解决离散空间问题上表现了良好的性能。该结果对银行制定市场策略上提供了良好的参考价值。 | 王鹤 任建华 邱云飞 | 2010 | 辽宁工程技术大学学报(自然科学版)2010，29，A01： | 8 |
| 10 | 一种动态调整的混合蚂蚁聚类算法显示文摘设计和实现了一种改进的蚂蚁聚类算法.基于海上空袭目标攻击方向划分问题,分析了传统的聚类算法解决此类问题的不足,提出了一种动态调整的空袭方向划分混合蚂蚁聚类算法.该算法能充分利用空中目标信息动态调整参数,以获取合理聚类数和加速算法收敛,对孤立数据处理的鲁棒性较强.用人工数据集和真实数据集进行实验.结果表明,该算法是一种高效率的聚类算法,提高了空袭方向划分的准确性和科学性. | 傅调平 刘玉树 | 2006 | 北京理工大学学报2006，26，6： | 5 |
| 11 | 一种多蚁群聚类组合算法研究及其应用显示文摘首先对一种单蚁群聚类算法作了改进,然后模仿多蚁群的协作性能,将运动速度各异的多个蚁群独立且并行地进行聚类分析,并将其聚类结果组合为超图,然后再用蚁群算法对超图进行二次划分,并得到了4个数据库的测试结果。 | 魏先民 | 2010 | 计算机应用与软件2010，27，12： | 5 |
| 12 | 蚁群算法及其聚类应用显示文摘首先介绍了蚁群算法及其改进;然后在聚类分析概念基础上,综合国内外研究与实践,阐述了蚁群算法的聚类应用,重点阐述了蚁群算法用于聚类的原理,蚁群聚类的算法研究、机器人、图像和网站访问客户信息等应用。最后,给出蚁群算法在聚类研究和应用的可能方向。 | 许慧 王正友 杨欢庆 | 2007 | 矿山机械2007，35，1： | 5 |
| 13 | 基于蚁群算法的文本聚类算法的参数优化显示文摘针对蚁群文本聚类算法最优参数选取这一问题,根据蚁群聚类算法原理,分析扩展蚁群聚类算法的各个参数,通过理论分析和仿真实验选取对文本聚类效果影响较大的若干参数;重点分析聚类过程中算法参数的变化对文本聚类效果的影响,得出每个参数的变化对聚类效果的影响规律,并以这种规律为依据得出蚁群文本聚类算法参数优化方法,最终达到优化蚁群文本聚类算法参数的目的。 | 姚兴仁 赵刚 | 2016 | 北京信息科技大学学报(自然科学版)2016，31，3： | 5 |
| 14 | 基于支持向量机-蚁群算法的电气化铁路牵引负荷参数辨识显示文摘牵引负荷建模是含牵引供电系统的电力系统仿真中的重要组成部分,准确且符合实际的牵引负荷模型可以极大地提高电力系统仿真结果的可用性。近年来,随着牵引负荷相关实测数据的快速增长,一些基于实测数据的牵引负荷概率模型被提出,但是针对于这些概率模型的参数辨识方法的有效性还未被深入地研究,基于此对牵引负荷概率模型的参数辨识方法进行了深入分析,并根据分析结果提出了一种新的参数辨识方法:支持向量机-蚁群算法。该方法使用支持向量机对蚁群算法进行寻优指导,解决了原算法随机范围不可控的问题,使得算法能够将随机性控制在一个更为合理的范围内,实例仿真结果验证了该算法具有较高的准确性与通用性。 | 应宜辰 吴命利 杨少兵 刘秋降 | 2021 | 铁道学报2021，43，9： | 5 |
| 15 | 一种动态调整的蚁群聚类算法显示文摘蚁群算法是优化领域中新出现的一种仿生进化算法,基于蚁群算法的聚类算法已经在当前的数据挖掘研究中得到应用。文中针对早期蚁群聚类算法的缺点,提出动态调整的蚁群聚类算法,通过加入运动速度不同的蚁群、半径自适应调整、短期记忆、强行放下等策略,来指导蚁群的移动行为,降低蚁群移动的随意性,减少了蚂蚁的搜索时间,提高聚类性能。仿真实验表明:改进算法能有效地提高算法效率且取得较好的聚类结果。 | 贾瑞玉 邢猛 徐庆鹏 黄义堂 | 2009 | 计算机技术与发展2009，19，2： | 4 |
| 16 | CRM中客户分类方法的研究与应用显示文摘在企业管理中,如何将不同客户按照对企业的贡献程度分类并加以实现,以辅助制定经营策略,成为研究热点。针对具体的燃气行业进行了分析,提出了一套适用其的客户分类指标。并且借鉴蚁群算法,做了相应的改进,与聚类分析方法相结合,将此算法在企业现有数据的基础上进行了实现,得到了较好的聚类结果。 | 周欢 | 2008 | 计算机工程与设计2008，29，3： | 4 |
| 17 | 基于蚁群算法的数据挖掘方法研究显示文摘在研究了基本蚁群聚类模型、信息熵以及几个经典的聚类分析算法的基础上,针对传统K-means算法的不足,首先提出了一种基于信息素的k-means改进算法,该算法以基于信息素的转移概率为判断标准来进行聚类,减少了算法的参数个数,加快了聚类的进程.在深入研究了基于信息熵的LF改进算法的基础上,提出了一种蚁群聚类组合算法策略. | 张群 熊英 黄庆炬 | 2007 | 湖北工业大学学报2007，22，2： | 3 |
| 18 | 基于图论的蚁群算法在图像分割的应用显示文摘针对传统的基于图论的图像分割方法分割效果不理想的问题,提出一种新的基于图论使用蚁群算法分割图像的算法。该算法基于图论,考虑了图像的灰度信息,采用蚁群算法的基本原理分割图像,使得分割出目标更为准确。 | 强轲楠 | 2012 | 计算机光盘软件与应用2012，15，14： | 3 |
| 19 | 基于蚁群聚类算法的SVM半监督式训练方法显示文摘传统支持向量机在处理包含大量未知类别样本的训练集时性能较差。针对这一不足,在少量已知类别样本和大量未知类别样本构成的训练集上,提出一种基于蚁群聚类算法的支持向量机半监督式学习方法。该方法应用蚁群聚类算法进行聚类分析,实现了同类样本的自组织聚类;通过一个递归的类别判定算法,回收样本类别;同时,提取各类簇之间靠得相对较近的边界样本组成精简训练集,以缩减训练集规模加快学习速度。实验表明,该算法能够自适应样本类别分布,有较高的分类精度和泛化能力。 | 金珠 马小平 | 2011 | 西华大学学报(自然科学版)2011，30，1： | 3 |
| 20 | 一种新的基于蚁群原理的聚类算法显示文摘为了改善聚类分析的质量,提出一种与蚁群原理相结合的聚类方法.首先对传统的聚类算法k-means进行改进,克服传统的k-means算法必须事先确定分类的个数k和选择聚类点的缺陷,然后将蚁群算法的转移概率引入k-means算法,对上述聚类结果进行二次优化.实验结果表明,改进的k-means与蚁群算法相结合的聚类方法比单一聚类算法更有效. | 孙多 陈志敏 沈洁 | 2008 | 扬州大学学报(自然科学版)2008，11，2： | 2 |
您所在的机构暂未开通此部分的功能，请联系管理员