论文研究一种新的含噪数据FCM聚类算法 .pdf

传统的快速聚类算法大多基于模糊C均值算法（FuzzyC-means，FCM），而FCM对初始聚类中心敏感，对噪音数据敏感并且容易收敛到局部极小值，因而聚类准确率不高。可能性C-均值聚类较好地解决了FC

针对DBSCAN算法中最小点数和最大邻域半径难以确定、算法时间开销大、对起始数据点的选择比较敏感，以及难以发现不同密度下的邻近簇等问题，提出一种基于扩展区域查询的密度聚类算法（GISN-DBSCAN）

目前的文本特征生成算法一般采用加权的文本向量空间模型,该模型使用TF-IDF评价函数来计算单个特征的权值,这种算法生成的文本特征冗余度往往都比较高。针对这一问题,采用了一种基于聚类加权的文本特征生成算

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[

主成分分析（PCA）是一种无监督的线性降维方法，能有效地提取模式的类内特征，当样本之间出现高度相关性或多重相关性时，PCA提取的主成分解释能力不够。鉴于PCA的缺点，采用一种有监督的鉴别特征提取法——

为了改善量子行为粒子群优化算法的收敛性能，避免粒子早熟问题，提出了一种基于完全学习策略的量子行为粒子群优化算法。由此设计了一种新的数据聚类算法，新的聚类算法通过特殊的粒子编码方式在聚类过程中能够自动确

聚类方法在基因表达数据分析中发挥着非常重要的作用，但基因表达数据相对其他领域的数据具有自身的特性，因此传统的数据距离定义和聚类方法已不能完全满足研究者对生物数据的分析要求。提出一种基于泊松分布的数据距

FCM算法是一种基于划分的聚类算法,它的思想就是使得被划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小。模糊C均值算法是普通C均值算法的改进,普通C均值算法对于数据的划分是硬性的,而FCM则

FCM算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。模糊C均值算法是普通C均值算法的改进，普通C均值算法对于数据的划分是硬性的，而FCM则