论文《动态聚类新方法及最优聚类算法研究》

Classical clustering algorithm clustering k-menas

聚类分析是一种非常重要的聚类工具，被广泛应用在各科学领域的聚类问题中。其中，弹性网络是一种较好的聚类分析算法，尤其在高维空间有很大优势。提出了一种新的聚类弹性网络算法CENA（ClusteringEl

openlayers3动态聚类分析图，点击聚类，缩放到合适视图范围，聚类有持续过程

根据矩阵计算聚类中心并分类，再计算聚类中心，迭代出最终结果

多聚类中心近邻传播聚类算法（MEAP），在处理任意形状具有流形分布结构的数据时，往往得不到理想的聚类结果。为此，基于流形学习的思想，设计了一种全新的相似性度量，该相似性度量能够扩大位于同一流形中数据点

文本聚类在很多领域都有广泛应用,而聚类算法作为文本聚类的核心直接决定了聚类的效果和效率。结合基于划分的聚类算法和基于密度的聚类算法的优点,提出了基于密度的聚类算法DBCKNN。算法利用了k近邻和离群度

针对传统K-means聚类算法对初始中心点比较敏感、易陷入局部最优，首先提出基于KD-树的初始聚类中心点选取方法。该方法通过建立KD-树将数据集分割成矩形单元，计算每个矩形的矩形单元中心、矩形单元密度

论文研究-基于粒度空间的最优聚类指标研究.pdf,  本文在粒度空间理论的基础上，进行了基于粒度空间的最优聚类模型研究.具体包含以下三个内容：首先提出了基于类内偏差和类间偏差获取数据分层结构的优化聚类

标签聚类 随着互联网技术的不断发展、互联网应用服务的不断扩展，Web2.0的概念已经深入人心。过去的以系统为中心的互联网正逐渐转变为以人（即用户）为中心的互联网。互联网用户在加工、传播、浏览网络信息的

提出了一种改进的基于对称点距离的蚂蚁聚类算法。该算法不再采用Euclidean距离来计算类内对象的相似性，而是使用新的对称点距离来计算相似性，在处理带有对称性质的数据集时，可以有效地识别给定数据集的聚