一种处理很多类别数据的快速聚类算法

针对现有的大部分划分聚类算法受聚类簇的个数K的限制，提出一种基于蜂群原理的划分聚类算法。该方法通过引入蜂群采蜜机制，将聚类中心视为食物源，通过寻找食物源的自组织过程来实现数据对象的聚集。在聚类的过程中

针对DBSCAN算法需用户设置参数值、易产生挖掘结果偏差等不足，提出改进算法DBTC(density-basedtextclustering)，该算法不仅能够发现任意形状的簇，还有效地解决了基于密度的

一种基于聚类的高斯混合模型算法，马瑞云，，本文介绍了一种高斯混合模型算法的改进方法---将聚类算法与传统高斯混合模型结合起来的建模方法,并同时提出的运用距离加权的矢量�

提出一种新的基于图论的聚类算法NeiMu。该算法首先分析数据中的对象，寻找每个对象的k近邻，根据k近邻关系构造k近邻有向图，然后通过k近邻有向图中的k-互邻居关系构造k-聚类图，发现数据中的自然聚类。

针对现有的增量聚类算法对参数敏感度较高、时空复杂度较高等问题,提出了一种基于代表点的增量聚类算法。首先采用代表点聚类算法对静态的数据库进行聚类;然后根据新增加的节点与已存的代表点之间的关系,判断是否将

针对K-means算法易受初始聚类中心影响而陷入局部最优的问题，提出一种基于萤火虫智能优化和混沌理论的FCMM算法。利用最大最小距离算法确定聚类类别值K和初始聚类中心位置，以各聚类中心为基准点，利用T

针对面向聚类的特征选择算法效率和效果无法兼顾，并且对高维数据适用度不高的问题，提出了一种基于邻域分析的加权特征选择算法ENFSA。该算法首先基于信息熵构建候选特征集，降低加权特征选择的候选特征维度，在

一种基于非负矩阵分解的聚类集成算法

针对K-Means算法的不足，提出了一种优化初始中心的聚类算法。

在聚类分析中, 决定聚类质量的关键是确定最佳聚类数. 对此, 从样本几何结构的角度定义了样本聚类距离 和样本聚类离差距离, 设计了一种新的聚类有效性指标. 在此基础上, 提出一种基于近邻传播算法确定样