一种有效的分类型数据聚类方法

本文介绍了一种基于语义相似度的聚类算法，从语义的角度来计算文本之间的相似度，大大提高了聚类效果。

搜索引擎聚类算法基于K-means算法的一个改进

针对K-medoids算法初始中心点选择敏感、大数据集聚类应用中性能低下等缺点，提出一个基于初始中心微调与增量中心候选集的改进K-medoids算法。新算法以微调方式优化初始中心，以中心候选集逐步扩展

传统模糊??-均值(FCM) 算法要求一个样本对于各个聚类的隶属度之和满足归一化条件, 从而导致算法对噪声和孤立点敏感, 对非均衡分布样本的聚类有效性降低. 针对该问题, 提出一种改进模糊隶属函数约束

一篇一种基于遗传算法的混合聚类技术文章，需要的可以参考一下。

K-means算法是基于距离作为相似性度量的聚类算法,传统的K-means算法存在难以确定中心值个数、受噪声及孤立点影响较大的缺点。对此,利用类间相异度与类内相异度改进初始值K,以尽量减少人工干预;同

摘要对于一些局部分布稀疏不均、聚类区域的形状及大小很不规整的数据点集，多数聚类算法不能很好地探测出其聚类分布。在借鉴了两个加权FCM聚类算法的构造及推导过程的基础上，提出了一种新的加权模糊C中心聚类算

一种实用高效的聚类算法，赵美红，，在信息处理研究领域,现有的大多数聚类算法都需要人为地给出一些参数.然而,在没有先验知识的情况下,人为地确定这些参数是十分困难��

一种改进的模糊C均值FCM聚类算法 改进 模糊C均值 FCM 聚类

Web上越来越多的论文给我们提出了一个新的课题：如何检索满足需求的论文。传统的基于查询项匹配检索方法往往无法准确地检索出满足用户需求的论文。这里给出了一种基于概念的论文相似性检索方法，有效地改进了传统