一种三支决策软增量聚类算法

关于p2p检索一篇论文。中南大学的论文，提出节点聚类和信息检索的算法。

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。

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

基于密度的DBSCAN聚类算法可以识别任意形状簇,但存在全局参数Eps与Min Pts的选择需人工干预,采用的区域查询方式过程复杂且易丢失对象等问题,提出了一种改进的参数自适应以及区域快速查询的密度聚

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

在传统的k-means聚类算法中，聚类结果会随着初始聚类中心点的不同而波动，针对这个确定，提出一种优化初始聚类中心的算法。