基于信息熵的连续属性自动聚类算法

为了解决传统的Otsu法均分像素点的缺点以及Kapur法易受干扰的不稳定性，分析了这两种算法理论上的联系并结合它们的各自优势，提出一种新的算法，实现两者在图像阈值选取上的一种均衡。实验结果表明，新算法

为了提高大数据统计及分析的效率,有必要对数据集合进行聚类,以减少数据集合维度,并去掉相似数据冗余。采用熵加权和稀疏分数特征选择相结合,一方面对异构数据进行局部结构划分,降低数据维度,对局部结构的特征重

核的求解是粗糙集理论的重要研究内容之一,也是很多属性约简的关键步骤.目前已有一些关于核的求解算法,但有关核的更新算法却报道不多.文献[9]给出了对象增加情况下核的更新算法,但没有考虑对象修改情况下的核

针对传统数据流聚类算法聚类信息损失大、不准确的缺点, 提出一种基于维度最大熵的数据流聚类算法. 采用动态数据直方图将数据维度划分为不同的维度组, 计算各维度最大熵划分维度空间簇, 将相同维度簇的数据聚

关于 信息熵的几种算法实现，是大学时期做的毕业论文

针对受限波尔茨曼机用于协同过滤算法存在的不足，忽略了用户兴趣随时间变化，同时只利用了严重稀疏的用户评分数据，首先提出一种融合了时间信息的用户RBM模型：TimeRBM模型，即在原有RBM模型中加入时间

基于模糊聚类算法中FCM算法 的改进研究 Yunnan universit Department of Computer Science Lei zhiming 2008-05-13 目录 聚类分析的

马尔科夫聚类算法(Markov Cluster Algorithm, MCL)是一种快速且可扩展的无监督图聚类算法,Chameleon是一种新的层次聚类算法。但MCL由于过拟合会产生很多小聚类,Cha

演化聚类算法(ECM) 是一种有效的在线聚类算法, 能够根据输入数据实时调整聚类. 但是, 该聚类算法依赖于预先设置的最大距离阈值, 而且对数据输入次序敏感. 针对这些问题, 提出一种基于自适应学习的

结合密度聚类和模糊聚类的特点,提出一种基于密度的模糊代表点聚类算法.首先利用密度对数据点成为候选聚类中心点的可能性进行处理,密度越高的点成为聚类中心点的可能性越大;然后利用模糊方法对聚类中心点进行确定