核函数是支持向量机的核心,它的作用主要体现在处理非线性问题时,将研究问题从低维空间转化成高维空间,使之在高维空间中变成线性问题,核函数的研究在支持向量机中是非常必要的。首先讨论核函数的本质,并且基于黎
针对传统模糊C均值聚类算法和基于K-means优化聚类中心的模糊C均值算法存在初始聚类中心敏感、聚类速度收敛慢、聚类算法需要人为给定聚类数目等缺陷,受密度峰值聚类算法(ClusteringbyFast
目前大部分XML查询语言都使用树模式来匹配待查询的XML文档树以得到所需要的、与模式树相吻合的查询结果,此效率在很大程度上取决于XML模式树的大小,那么尽可能快速地查找并删除查询模式树中的冗余节点就变
为解决现有密度聚类算法中参数设置依赖经验、复杂密度环境下聚类精度不高等问题,提出了基于簇间最大密度连通点进行密度簇分割与合并的模糊聚类方法。基于高斯混合模型计算数据点密度,形成高维离散密度空间,通过低
分类数和初始聚类中心的选取对红外图像的分割结果有较大的影响。传统的模糊C均值算法的分类数和聚类中心往往设定为经验值。为获得最佳的分类数,提出采用轮廓指标确定出较理想的分类数。针对传统的模糊C均值聚类算
针对传统模糊C均值聚类算法(FCM)存在对初值敏感和易陷入局部收敛的缺陷,利用改进的粒子群算法对FCM进行优化,提出一种新的模糊C均值聚类算法ImprovedPSOFCM,并建立基于熵的聚类有效性函数
分析了利用ICMP报文测量分组RTT时延与测量分组大小的线性关系进行非对称链路带宽测量的Asy_pathchar算法,针对该测量算法存在的缺陷,提出了一种改进的非对称链路带宽测量算法Asy_pro。网
随着信息网络技术的飞速发展,如何对规模庞大的网络数据准确高效聚类并合理应用显得尤为重要。虽然模糊C均值聚类算法(FCM)已具有良好的聚类效果,但其对初始化敏感,在处理高维大规模网络数据时易陷入局部极值
论文研究-基于遗传优化的采样模糊C均值聚类算法.pdf, 在数据挖掘领域,模糊C均值聚类法(FCM)在处理小量低维的数据挖掘时是有效的,但是面向数据库的数据挖掘经常要处理大量、高维的数据.在这种情况下
经典的特征值类信源数估计算法在低信噪比、少快拍数条件下的估计性能急剧下降,针对该问题,提出了一种新的信源数估计算法。该算法利用采样协方差矩阵的特征向量对信噪比不敏感的特性来构造判决变量,根据改进的预测