暂无评论
基于初始聚类中心选取和数据点划分的K均值聚类算法,曹戈,程玉虎,传统K均值聚类算法随机选取初始中心容易陷入局部极小,而且不能有效处理不规则数据集的边缘数据。针对这两个问题,提出一种改进K�
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
基于边界距离的时间序列聚类,李俊奎,王元珍,聚类的关键是定义对象之间的相似度或不相似度。提出了一种基于边界的时间序列距离度量DLB_HUST,较之已存在的基于边界的时间序列距
首先介绍传统距离计算方法在聚类应用中的不足,并针对这点提出一种基于权重向量的相对距离计算方法。在应用DBSCAN算法的基础上,融入相对距离的计算及k-d树的范围查找的应用。该算法不仅能得到很好的聚类效
针对传统K-medoids聚类算法对初始中心点敏感,以及迭代次数较高等缺点,提出一种可行的初始化方法和中心点搜索更新策略。新算法首先利用密度可达思想为数据集中每个对象建立一个稠密区域,遴选出[K]个密
通过分析影像数据的特点,利用直方图的统计特性,结合HCM收敛速度快的优点,提出了一种基于直方图加权的半模糊化的聚类算法,此方法结合了全局与局部信息,提高了聚类的速度,改善了聚类的效果;采用Lena和脑
基于通勤时间嵌入的谱聚类,王桐,王韵婷,经典谱聚类经典谱聚类虽然能够较好地解决非凸数据集聚类分析问题和不陷入局部最优解,但其最大缺点是需要对图G的拉普拉斯矩阵进��
基于文本内容的自动文本聚类,崔再续,郭训力,随着国际互联网和企业内部互联网的飞速发展,各种电子文本数据的数量急剧增加,如何快速有效地获取、管理和使用这些文本数据,已
针对传统BA(蝙蝠)算法易被局部极值吸引、发生过早收敛等问题,将莱维飞行搜索策略引入传统BA算法对蝙蝠的位置和速度更新方式进行改进,从而提高算法的全局搜索能力;通过引入非线性惯性权重平衡算法的全局和局
对于离群点的形成,不同的属性起着不同的作用,离群点在不同的属性域中,会表现出不同的离群特性,在大多数情况下,高维数据空间中的对象是否离群往往取决于这些对象在低维空间中的投影。针对如何将离群点按照形成原
暂无评论