论文研究-一种基于最小张树的属性聚类算法.pdf, 结合图论中的最小张树方法 ,提出了相似度以及接触度两个概念 ,并以此为基础建立了一种属性聚类算法 .文中就几个具体问题 ,将其与 FCM及 AKM
模糊C-均值聚类(FCM)对噪声数据敏感和可能性C-均值聚类(PCM)对初始中心非常敏感易导致一致性聚类。协同聚类算法利用不同特征子集之间的协同关系并与其他算法相结合,可提高原有的聚类性能。对此,在可
在综合分析标准的模糊C-均值聚类算法和条件模糊C-均值聚类算法基础上,对模糊划分空间进行修改,进一步弱化模糊划分矩阵的约束,给出一种扩展的条件模糊C-均值聚类算法。算法的划分矩阵和原型不依赖于背景约束
针对传统的K-medoids聚类算法具有对初始聚类中心敏感、全局搜索能力差、易陷入局部最优、收敛速度缓慢等缺点,提出一种基于差分演化的K-medoids聚类算法。差分演化是一类基于种群的启发式全局搜索
针对复杂及带噪声的数据集的聚类问题,提出了一种基于局部密度的网格排序策略(GSS-LD),并以其作为网格聚类的组织模式。GSS-LD利用聚类的局部性质进行网格单元排序,将基于网格的聚类问题转换为网格的
一种基于频率及路径的XML聚类算法,刘晨,王秀坤,本文扩展了XML文档树路径模型,通过加入路径和节点的频率信息,提出了频率-路径模型。并且在此模型基础上提出了一种带位置和频率
半监督聚类是通过在无监督算法的基础上加入有限的背景知识来实现的。现有的基于核的半监督聚类算法对于核参数的设定仍需人工进行调节,其选择值会极大地影响最终的结果。通过将关联加入到聚类目标函数中,在聚类过程
一种结合分类的基于弥散度的聚类算法,于智航,张宪超,基于密度的聚类算法是聚类分析的重要分支,其主要优点是发现任意形状的聚类和对噪声不敏感。然而现有的基于密度的聚类算法由于缺
针对网格和密度方法的聚类算法存在效率和质量问题,给出了密度与栅格相结合的聚类挖掘算法,即基于密度和栅格的聚类算法DGCA(densityandgridbasedclusteringalgorithm)
基于半监督学习的k平均聚类框架,陈新泉,,对于一些局部分布稀疏不均、聚类区域的形状及大小不太规整的数据点集,k-means算法一般就不能很好地探测出其聚类分布结构。在半监��