一种快速的近邻传播聚类算法

传统的聚类算法如k - m eans算法需要一些先验知识来确定初始参数,初始参数的选择通常会对聚类结果生产很大的 影响。提出一种新的基于模型的聚类算法,通过优化给定的数据和数学模型之间的适应性发现数据

新的基于网格的聚类算法（CABG）利用网格处理技术对数据进行了预处理，能根据数据分布情况动态计算每个单元格的半径，并成功地将网格预处理后所得单元格数据运用于其后的聚类分析中，从而简化了算法所需的初始参

在增强信号稀疏性的基础上,对模糊

分析了天气因素对光伏出力的影响,选择预报技术较为成熟的气象信息和能反映光伏变化趋势的波动分量作为分类特征。针对传统预测算法在突变天气条件下预测精度较低的问题,提出基于近邻传播聚类和回声状态网络的组合算

一种快速准确的画圆算法,论文!

现有的自适应亲和传播聚类存在聚类时间长、精度低的缺点，提出了一种结合半监督的改进自适应亲和传播聚类（SAAP）。它首先利用半监督学习更新相似度矩阵，而后在亲和传播聚类的基础上，通过基于二分法判断实现自

K均值聚类算法是一种常见且有效的基于划分的聚类算法。为解决该聚类算法对初始中心敏感的问题,常用的方法是层次化初始聚类中心。然而,层次初始的聚类算法仍然需要将聚类个数作为输入参数,在高维数据和海量数据中

提出一种圆弧绘制算法与传统的基于单个像素点的圆弧绘制算法不同, 新算法每执行一次输出操作均可生成两个或多个像素点该算法将圆弧离散轨迹看成是由一系列水平位移和对角位移构成, 逐段找出并绘制这些位移,从而

针对传统的聚类算法存在对初始化值敏感和容易陷入局部极值等缺点，提出一种确定聚类中心数目和位置的方法。用每一个粒子表示一组聚类中心，采用云理论改造粒子群算法，从而提高粒子群算法的性能，以便搜索到更合理的

在传统的k-means聚类算法中，聚类结果会随着初始聚类中心点的不同而波动，针对这个确定，提出一种优化初始聚类中心的算法。