K-Means聚类算法是一种经典且广泛应用于模式识别领域的算法。该算法通过将N个数据点划分为K个簇,使得每个数据点所属于的簇具有最小的平均距离来实现聚类。在模式识别中,该算法通常用于将相似的样本划分到
GRAPES是中国气象科学研究院研制的一个非静力格点模式,该模式以大气运动的全可压运动方程为基础,采用半隐半Lagrange方案。在模式积分中,每个时间步需要求解关于气压梯度力的三维离散Helmhol
基于k均值聚类的图像分割研究小论文
这是关于图像分割中的一个应用,主要是k均值的应用可以借鉴一下
在基于DEM的地形表面重构中,传统的插值方法(B样条插值、双线形插值)获取的地形表面过于平滑,不能反映自然地形具有无限细节的事实。引入3维迭代函数系统(3D-IFS)插值方法来重构经随机简化的原始地形
提出了一种基于四叉树K-均值聚类算法的软件故障预测算法。采用四叉树的目的包括利用四叉树寻找K-均值聚类算法所需要的聚类中心和利用四叉树来进行软件模块的故障预测。在这种算法中,输入门限参数决定了最初的聚
k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法,其步骤是,预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类
支持向量机(support vector machine, SVM)具有良好的泛化性能而被广泛应用于机器学习及模式识别领域。然而,当训练集较大时,训练SVM需要极大的时间及空间开销。另一方面,SVM训
初始中心的选取对算法的影响 棋盘格数据集(Checkerboard data set) 仅使用其中486个正类数据并将数据变换到[-1,1]之间分布情况如下图所示 初始中心的选取对算法的影响 初始聚类
针对传统的BIRCH算法用直径来控制聚类的边界,对非球形聚类效果不佳,甚至会把非球状的簇分割为不同簇这一缺点,对BIRCH算法进行改进,改进算法首先建立多棵CF树,每棵CF树代表一个簇,并结合DBSC