基于PSOC-means聚类算法优化的研究

K_means聚类算法的研究

基于划分的聚类算法k-means算法)

优化初始聚类中心的K_means算法用于K-MEANS算法的改进

k-means算法接受参数k；然后将事先输入的n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个

提出一种模拟电路故障的分布式诊断算法，用以解决大数据量故障样本集所带来的网络规模过大，训练时间过长等问题。该算法采用有监督Hebb学习规则，在训练学习过程中添加类别标识，避免了因数据分割而产生的部分知

隐马尔可夫模型（HiddenMarkovModel，HMM）是一种有效的时序信号建模方法，已广泛用于语音识别、文字识别等领域，近年来也被用于人的行为识别。人的行为序列是一种特殊的时序信号，每类行为往往

传统的K-means算法随机选取初始聚类中心，聚类结果不稳定，容易陷入局部最优解。针对聚类中心的敏感性，提出一种优化初始聚类中心的K-means算法。此算法利用数据集样本的分布特征计算样本点的密度并进

传统室内定位中聚类算法被动依赖定位环境中接入点(Acess Point,AP)数量,导致定位效率低、误差大,室内位置指纹定位研究中AP布局是影响定位精度的关键性因素。因此,采用Intel芯片的嵌入式微

收稿日期:20101201;修回日期:20110302基金项目:哈尔滨市后备带头人基金项目(2004AFXXJ039作者简介:黄 韬(1982,男,黑龙江人,硕士研究生,研究方向为 企业智能计算;刘胜

针对聚类算法在实现的过程中需要预先设定最终聚类数目的问题,提出了基于同类全部样本的类内紧密度和类间离差度的一种新聚类有效性指标,通过该指标能够有效地确定数据集的最佳聚类簇数。在确定最佳聚类数的过程中采

在数据挖掘算法中,K均值聚类算法是一种比较常见的无监督学习方法,簇间数据对象越相异,簇内数据对象越相似,说明该聚类效果越好。然而,簇个数的选取通常是由有经验的用户预先进行设定的参数。本文提出了一种能够

总结评述了K-means 聚类算法的研究现状,指出K-means 聚类算法是一个NP难优化问题,无法获得全局最优。介绍了K-means 聚类算法的目标函数、算法流程,并列举了一个实例,指出了数据子集的

传统的K-Means算法对初始聚类中心敏感,聚类结果随不同的初始输入而波动,针对K-Means算法存在的问题,提出了基于密度的改进的K-Mans算法。

一种基于遗传算法优化K-means聚类算法的方法，通过对聚类中心的随机变异和适应度的评估，达到更好的聚类效果。详细介绍了算法的实现过程和实验结果，并给出了对比分析。关键词：遗传算法优化，K-means

优化聚类结果的k-means算法应用，除了聚类算法的代码和代码案例：在这个例子中，我们生成了一个随机的二维数据集X，然后创建了一个KMeans对象，指定要聚类到3个簇中。我们使用fit方法来训练模型，