基于信息熵的专家聚类赋权方法

传统的水体信息提取方法难以处理包含复杂信息的大规模遥感图像。针对该问题,本次对应遥感图像与显著图建立了遥感数据分类标准,分割遥感影像中的重要信息。针对遥感影像水体信息提取的需求,改良了PCNN神经网络

基于K-center和信息增益的概念,将改进后的FPF(furthest-point-first)算法用于Web搜索结果聚类,提出了聚类标志方法,使得聚类呈现出的结果更易于用户理解,给出了评价聚类质量

在数据挖掘算法中,K均值聚类算法是一种比较常见的无监督学习方法,簇间数据对象越相异,簇内数据对象越相似,说明该聚类效果越好。然而,簇个数的选取通常是由有经验的用户预先进行设定的参数。本文提出了一种能够

提出了一种基于k均值(k-means)聚类的点云精简方法。与包围盒法相比,在压缩率近似相同的条件下,k-means聚类方法能较好地保留细节特征,与原始数据的稠密稀疏分布更加一致,所建模型表面更光滑。

由于社交网络图结构的动态变化特性,需要采用有效的动态隐私保护方法。针对现有动态数据发布隐私保护方法中存在的攻击者背景知识单一、对图结构动态变化适应性较低等问题,提出基于聚类的动态图发布隐私保护方法。分

针对现有直觉模糊聚类方法大都未考虑属性(指标)权重, 计算过于复杂且计算结果为实数的问题, 提出一种 基于新直觉模糊相似度的聚类方法, 计算结果为直觉模糊数, 运用直觉模糊熵得到属性权重, 构造了一种

针对目前广泛采用的阈值监测方法无法发现未超出阈值门限的异常数据的缺点,提出了一种基于增量聚类的卫星异常遥测监测算法。通过学习卫星正常历史遥测数据,构建反映各参数之间关系的正常数据模型,然后将需要监测的

为了从具有运动物体前景的公路监控视频中提取出初始背景,提出一种基于模糊聚类识别的背景建模算法。利用模糊聚类识别方法从时间轴上总体呈多相似值分布的像素点中提取出背景子类,实现背景初始化。结果表明,该方法

用此方法可以用来画出离散点组成的热点路径

聚类算法作为数据挖掘中的一种分析方法,它能找到样本相对比较集中的区域。分析了一个基于K-means算法的核心思想和实现过程,使得算法可处理孤立点的分类集,得到最佳的聚类结果。