论文研究基于Spark框架的Kmeans聚类算法研究 .pdf

数字半色调是在二值设备或多色二值设备上实现图像再现的一门技术,提出将K-means聚类法应用在数字半色调技术中。算法中应用人类视觉系统模型HVS和印刷模型最大限度减少原始灰度连续调图像和半色调图像之间

大数据的挖掘是当今的研究热点,也有着巨大的商业价值。新型框架Spark部署在Hadoop平台上,它的机器学习算法几乎可以完全替代传统的MahoutMapReduce的编程模式,但由于Spark的内存模

为提高K-means聚类效果，采用Fisher线性判别率的方法确定特征在聚类中的贡献度并依此对特征进行加权聚类。在人工和实际数据集上所做的实验表明，本方法在聚类效果上优于其他同类加权K-means聚类

针对传统的K-means算法对于初始聚类中心点和聚类数的敏感问题,提出了一种优化初始聚类中心选取的算法。该算法针对数据对象的分布密度以及计算最近两点的垂直中点方法来确定k个初始聚类中心,再结合均衡化函

针对海量数据背景下K-means聚类结果不稳定和收敛速度较慢的问题，提出了基于MapReduce框架下的K-means改进算法。首先，为了能获得K-means聚类的初始簇数，利用凝聚层次聚类法对数据集

针对传统BA（蝙蝠）算法易被局部极值吸引、发生过早收敛等问题，将莱维飞行搜索策略引入传统BA算法对蝙蝠的位置和速度更新方式进行改进，从而提高算法的全局搜索能力；通过引入非线性惯性权重平衡算法的全局和局

基于半监督K-means的主动学习聚类算法，孙凯，孟祥武，针对K-means算法对初始聚类中心敏感，针对不规则聚类簇效果较差的缺点，提出了一种基于半监督K-means的主动学习算法。为了针对指定的k

提出了基于K-means的四叉树与R-link树的混合结构树，提高了R-link树的查询性能，在K-means中采用均值—标准差确定初始聚类中心，提高了收敛速度，通过距离准则函数来优化K值，避免K值的

针对文本数据维度较高、空间分布稀疏及其聚类效果不佳的问题，提出一种基于增强蜂群优化搜索与K-means的高效文本聚类算法。首先为蜂群算法引入公平操作与克隆操作来提高全局搜索的能力，公平操作提高了样本多

基于Hadoop的K-Means聚类算法优化与实现，陈萍，何健伟，本文针对传统K-Means聚类算法不适合海量大数据挖掘，并且对异常离群点数据非常敏感，结合Hadoop云计算平台以及MapReduce

基于仿射传播聚类的K-means算法优化，周洋，任国霞，传统的K-means算法的初始聚类中心是随机选择的，其聚类结果随不同的初始聚类中心选择而波动。针对K-means算法对初始聚类中心敏感的问�

基于K-means的有限增量聚类算法及k值研究，姚文心，卢志国，聚类算法被广泛的应用在数据挖掘、模式识别、信息抽取等领域。随着互联网技术的不断发展，许多数据存在着动态增长的特性。怎样聚

基于spark平台的K-means改进算法，闫萌，邹俊伟，K-means算法是较为经典的聚类算法。针对经典的K-means算法存在的K值个数和初始聚类中心需要人为指定的缺陷，以及经典的串行K-mean

粒子群（PSO）与K-means结合是聚类分析中的重要方法之一，但都未考虑粒子更新导致的空类问题。提出基于多子群粒子群伪均值（PK-means）聚类算法，为该问题的解决提供一种有效途径，并与粒子群K均

基于Spark框架的CNM算法并行研究，郑思远，，针对社团发现算法直接应用于大规模网络时计算效率过低的问题，提出采用Spark并行计算框架对CNM社团发现算法进行并行化实现。利用Spar