暂无评论
一篇一种基于遗传算法的混合聚类技术文章，需要的可以参考一下。
K-means算法是基于距离作为相似性度量的聚类算法,传统的K-means算法存在难以确定中心值个数、受噪声及孤立点影响较大的缺点。对此,利用类间相异度与类内相异度改进初始值K,以尽量减少人工干预;同
摘要对于一些局部分布稀疏不均、聚类区域的形状及大小很不规整的数据点集，多数聚类算法不能很好地探测出其聚类分布。在借鉴了两个加权FCM聚类算法的构造及推导过程的基础上，提出了一种新的加权模糊C中心聚类算
一种改进的模糊C均值FCM聚类算法 改进 模糊C均值 FCM 聚类
本文介绍了一种基于语义相似度的聚类算法，从语义的角度来计算文本之间的相似度，大大提高了聚类效果。
搜索引擎聚类算法基于K-means算法的一个改进
模糊核聚类算法已广泛应用于图像分割领域,然而该算法对初始值的选取、噪声以及图像灰度不均匀比较敏感。针对该问题,提出了一种改进的模糊核聚类图像分割算法。将改进的最大类间方差法(Otsu)引入模糊核聚类算
针对标准谱聚类算法中,基于欧氏距离的相似性度量不能完全反映数据聚类复杂的空间分布特性的问题,提出了一种基于流形距离核的谱聚类算法.它能充分挖掘数据集中的内在结构信息,较好地反映局部和全局一致性,并且可
基于Hadoop架构,提出一种并行的决策树挖掘算法实现大数据集间的知识挖掘。通过MapReduce并行编程模式实现Hadoop架构下SPRINT并行挖掘算法的频繁项集,解决了大数据集挖掘效率低下,时间
一种用于数据流频繁项集挖掘的并行算法，王延，邱雪松，频繁项集挖掘是数据挖掘的重要课题,基于数据流的频繁项集是其中的重要组成部分。本文通过分析数据流的特点,基于分块和滑动窗口的�
暂无评论