基于Vague集的模糊聚类方法研究2008

针对当前主流数据库审计系统存在的审计信息冗余、不灵活的审计配置方式以及数据统计分析能力不足等问题，我们提出了一种创新的数据库安全审计系统。该系统可以有效约简审计信息，支持灵活的审计配置，并能够有效检测潜在的数据库攻击，为数据库安全防护提供实用的解决方案。

Matlab应用：利用k-均值聚类、模糊c-均值聚类和SOM神经网络对智能卡车进行色彩还原和量化分析。

δ-开放集的聚类思路还蛮有意思的，尤其适合那种形状不规则、数据分布不太平均的复杂数据集。你只要输入一个δ值，它就能帮你把数据切得细致，还能自动识别噪声点，挺智能的。 不光能高维数据，在 Olivetti 人脸数据库上的表现也不错。比起那些只能球形簇的传统方法，比如 K-means，它更像是“拓扑流派”的聚类方式，玩法不一样。 哦对了，它还有个升级版，能搞定那种密度差别大的数据集。如果你平时喜欢玩模式识别、数据挖掘、聚类这一类的算法实验，可以试试它，是在人脸、图像、或者非结构化数据时。 有需要的话，下面这些资源你也可以顺手看看，有代码也有讲义，挺全的： 聚类工具-MATLAB 模式识别应用

针对当前物流行业中资源优化与组织调度存在的实际问题，本研究以现有资源分类体系为基础，结合实际数据，提出基于粗糙集理论的物流资源分类方法。首先通过粗糙集理论对资源属性进行约简，随后应用数据挖掘技术基于属性重要度进行资源分类，最终得出了有效的资源分类规则，为物流资源整合提供理论支持。通过实例验证，证明了该分类方法的实用性和有效性。

数据挖掘涉及使用不同技术来提取有用模式。聚类是其中一种技术，通过提取数据中的聚类以发现信息。层次聚类和基于密度的聚类是两种常用方法。层次聚类利用树状图展示聚类结果，而DBSCAN则是一种基于密度的算法，能够发现任意形状的簇。详细探讨了这些算法的高效实现。

频繁项集挖掘是数据挖掘的重要应用，但庞大的频繁项集数量限制了其实际应用。为减少频繁项集数量，使其更易于应用，提出一种基于格结构的频繁项集精简模型，并证明该方法产生的支持度误差范围。在此基础上，提出模糊等价类精简表示算法FEC。实验结果表明，该方法在显著减少频繁项集数量的同时，能有效控制支持度误差，与Index-Meta算法相比，产生的支持度误差更小。因此，基于模糊等价类的频繁项集精简表示模型及FEC算法具有较高应用价值。

如果您使用我们的代码，请务必引用我们的论文《一种新的基于傅立叶功率谱的DNA序列聚类方法》！论文链接：http://dx.doi.org/10.1016/j.jtbi.2015.026

利用聚类算法识别图像分割的阈值，并使用 MATLAB 进行图像分割。

基于时间序列的模糊循环聚类算法提供了对历史过程数据进行有效分析的工具。