基于遗传算法的K_MEANS聚类改进研究
关于网页聚类的研究已经提出多种基于文本—链接模型的聚类算法,其中应用最广泛的便是MS模型。针对MS模型在效率和计算精度方面的不足,提出了改进的TLMS模型。新模型通过将词聚成词簇、链接向量聚成链接簇的
为了提高进化数据流的聚类质量,提出基于半监督近邻传播的数据流聚类算法(SAPStream),该算法借鉴半监督聚类的思想对初始数据流构造相似度矩阵进行近邻传播聚类,建立在线聚类模型,随着数据流的进化,应
现有的基于密度优化初始聚类中心的k-means算法存在聚类中心的搜索范围大、消耗时间久以及聚类结果对孤立点敏感等问题,针对这些问题,提出了一种基于平均密度优化初始聚类中心的k-means算法adk-m
一种基于密度栅格的快速聚类算法,檀亚峰,刘勇,针对已有网格算法和密度算法存在的效率和质量问题,给出了一种结合栅格和密度的聚类算法,即基于密度和栅格的聚类算法DGBCA(densitya
基于网格和密度的数据流聚类算法,胡燕,李敏,本文改进了基于密度和网格的CLIQUE算法,并把它应用于数据流聚类中。通过新的摘要数据结构,网格不仅能记录数据流的统计信息,还能
针对DBSCAN算法需用户设置参数值、易产生挖掘结果偏差等不足,提出改进算法DBTC(density-basedtextclustering),该算法不仅能够发现任意形状的簇,还有效地解决了基于密度的
传统属性空间的密度聚类算法仅考虑对象属性取值相似度, 网络空间密度聚类算法仅关注对象间关系紧密度。针对两类算法的不足, 提出一种兼顾属性距离及关系强度的密度聚类算法。在构建兼顾属性距离及关系强度的网络
基于单元网格近邻势的聚类方法,陈新泉,,为解决有限区域内分布的稀疏不均的、具有一定分布结构的大数据集的聚类分析难题,在近邻思想、网格化空间划分及万有引力叠加原理
广工高性能计算的期末论文。资源包括论文《Efficientparallelimplementationofadensitypeaksclusteringalgorithmongraphicsprocess