DBSCAN聚类算法的研究与改进.pdf

提出了一种基于改进的粒子群算法的聚类方法该算法是将局部搜索能力强的均值算法和基于遗传算法的交叉变异P操作同时结合到粒子群算法中既提高了粒子群算法的局部搜索能力加快了收敛速度，同时因为加入了交叉变异操作

聚类是一种无监督的机器学习方法,其任务是发现数据中的自然簇。共享最近邻聚类算法(SNN)在处理大小不同、形状不同以及密度不同的数据集上具有很好的聚类效果,但该算法还存在以下不足:(1)时间复杂度为O(

针对传统的模糊C-均值聚类算法对初始聚类中心较敏感、易陷入局部最优的缺点,将粒子群优化算法和FCM算法相结合,提出一种改进的模糊聚类算法。该算法利用粒子群算法的全局搜索能力代替FCM算法寻找初始聚类中

电力企业通常根据电力负荷数据，采用传统的K-Means算法对客户进行划分，而这种方法最大的缺陷就是必须由用户手动指定聚类簇数。提出了一种将Canopy算法和K-Means算法结合应用于负荷聚类的方法，

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

提出一种模拟电路故障的分布式诊断算法，用以解决大数据量故障样本集所带来的网络规模过大，训练时间过长等问题。该算法采用有监督Hebb学习规则，在训练学习过程中添加类别标识，避免了因数据分割而产生的部分知

语义Web的高速发展使其具有动态性和异构性特征，解决语义信息的异构性问题成为实现信息集成的关键。本体作为一种语义Web的知识表示形式，增强了Web的语义信息。因此，为了解决语义异构性，实现数据间的互操

c++实现一维数据密度聚类算法DBSCAN(Density-BasedSpatialClusteringofApplicationswithNoise)

使用C++语言编写了DBSCAN密度聚类算法，并对程序进行了调试，确保其可靠性和准确性。本文详细介绍了算法原理及实现过程，适合计算机科学相关人员学习和参考。

基于密度聚类的DBSCAN和kmeans算法比较-附件资源