暂无评论
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
一种新的初始聚类中心选取方法，解晓伟，陆月明，k-means算法对初始中心点的选择比较敏感，容易造成局部收敛，针对这个缺点，本文提出一种基于平均相异度密度的初始聚类中心的选取��
一种基于聚类的高斯混合模型算法，马瑞云，，本文介绍了一种高斯混合模型算法的改进方法---将聚类算法与传统高斯混合模型结合起来的建模方法,并同时提出的运用距离加权的矢量�
提出一种新的基于图论的聚类算法NeiMu。该算法首先分析数据中的对象，寻找每个对象的k近邻，根据k近邻关系构造k近邻有向图，然后通过k近邻有向图中的k-互邻居关系构造k-聚类图，发现数据中的自然聚类。
聚类有效性函数是用于评价聚类结果优劣的指标，准确地给出初始聚类类别数将使得聚类结果趋于合理化。根据模糊不确定性理论及聚类问题的基本特性，引入了新的紧密度度量指标Di（U；c），在此基础上提出了一个旨在
针对现有的增量聚类算法对参数敏感度较高、时空复杂度较高等问题,提出了一种基于代表点的增量聚类算法。首先采用代表点聚类算法对静态的数据库进行聚类;然后根据新增加的节点与已存的代表点之间的关系,判断是否将
针对K-means算法易受初始聚类中心影响而陷入局部最优的问题，提出一种基于萤火虫智能优化和混沌理论的FCMM算法。利用最大最小距离算法确定聚类类别值K和初始聚类中心位置，以各聚类中心为基准点，利用T
针对面向聚类的特征选择算法效率和效果无法兼顾，并且对高维数据适用度不高的问题，提出了一种基于邻域分析的加权特征选择算法ENFSA。该算法首先基于信息熵构建候选特征集，降低加权特征选择的候选特征维度，在
针对传统的聚类算法存在对初始化值敏感和容易陷入局部极值等缺点，提出一种确定聚类中心数目和位置的方法。用每一个粒子表示一组聚类中心，采用云理论改造粒子群算法，从而提高粒子群算法的性能，以便搜索到更合理的
新的基于网格的聚类算法（CABG）利用网格处理技术对数据进行了预处理，能根据数据分布情况动态计算每个单元格的半径，并成功地将网格预处理后所得单元格数据运用于其后的聚类分析中，从而简化了算法所需的初始参
暂无评论