论文研究一种能发现自然聚类的聚类算法.pdf

针对核空间模糊局部C-均值聚类分割算法时间复杂性过大而不适合实时场合图像分割需要的问题，提出了一种核空间局部模糊C-均值聚类分割的快速算法。利用像素与其邻域像素之间的空间距离信息和灰度方差信息构造一种

目前多数l-多样性匿名算法对所有敏感属性值均作同等处理，没有考虑其敏感程度和具体分布情况，容易受到相似性攻击和偏斜性攻击；而且等价类建立时执行全域泛化处理，导致信息损失较高。提出一种基于聚类的个性化[

针对字符型数据和混合型数据的聚类方法进行了研究。首先在经典粗糙集理论的基础上,通过松弛对 象之间的不可分辨和相容性条件,得到了基于和谐关系的扩展粗糙集模型;然后定义了新的个体间不可区分度、 类间不可区

基于常用聚类算法及聚类融合算法进行了研究。首先阐述了数据挖掘领域的常用聚类算法及特点,接下来对近年来聚类融合的方法和研究现状进行了综述,并对如何产生高效的聚类成员和共识函数如何构建才能产生高效的聚类融

为解决K-means聚类对初始聚类中心敏感和易陷入局部最优的问题,提出一种基于改进磷虾群算法与K-harmonic means的混合数据聚类算法.提出一种具有莱维飞行和交叉算子的磷虾群算法以改进磷虾群

针对K-均值聚类方法受初始聚类中心影响，容易陷入局部最优解的问题。提出了一种新的粒子群优化聚类方法，该聚类方法采用改进的交叉、变异算子，使群体粒子保持品种的多样性和优良性，减小随机初始聚类中心的影响，

在聚类过程中考虑到数据的非确定性，提出了一种改进的K-平均算法——FK-算法。FK-算法思想是减小总均方误差的期望值E(SSE),需特别说明的是对数据对象xi采用在非确定区域内用非确定密度概率函数pd

特征选择是数据挖掘和机器学习领域中一种常用的数据预处理技术。在无监督学习环境下，定义了一种特征平均相关度的度量方法，并在此基础上提出了一种基于特征聚类的特征选择方法FSFC。该方法利用聚类算法在不同子

一种新的初始聚类中心选取方法，解晓伟，陆月明，k-means算法对初始中心点的选择比较敏感，容易造成局部收敛，针对这个缺点，本文提出一种基于平均相异度密度的初始聚类中心的选取��

聚类有效性函数是用于评价聚类结果优劣的指标，准确地给出初始聚类类别数将使得聚类结果趋于合理化。根据模糊不确定性理论及聚类问题的基本特性，引入了新的紧密度度量指标Di（U；c），在此基础上提出了一个旨在