检索结果-南通市图书馆

Geometric double-entity model for recognizing far-near relations of clusters

Science china(Information Sciences) 2011年第10期54卷 2040-2050页

作者： wang kaijun ,yan {2. & chen lifei school of mathematics and computer Science,fujian normal university,fuzhou 350108,china 1. school of mathematics and {2. Science Fujian Normal University Fuzhou 350108 China

When solving many practical problems,we not only need sample labels given by a clustering algorithm,but also rely on the recognition of far-near relations of *** the difficult condition of many clusters in a high-dimensional data set,the clustering visualization methods based on dimension reductions usually produce the phenomena,e.g.,some clusters are overlapping,interlacing,or pushed away;as a result,the far-near relations of some clusters are displayed wrongly or cannot be *** existing inter-cluster distance methods cannot determine whether two clusters are far away or *** geometric double-entity model method (GDEM) is proposed to describe far-near relations of clusters,and the methods such as the relative border distance,absolute border distance and region dense degree are designed to measure far-near degrees between *** pays attention to both the absolute distance between nearest sample sets and the dense degrees of border regions of two clusters,and it is able to uncover accurately far-near relations of clusters in a high-dimensional space,especially under the difficult condition mentioned *** experimental results on four real data sets show that the proposed method can effectively recognize far-near relations of clusters,while the conventional methods cannot.

关键词： geometric double-entity model far-near relations of clusters distance between clusters partitional clustering algorithms

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

Center-based clustering of categorical data using kernel smoothing methods

引用

Frontiers of computer Science 2018年第5期12卷 1032-1034页

作者： xuanhui yan {2. chen Gongde GUO school of mathematics and Informatics Fujian Normal University Fuzhou 350007 China

1 Introduction Currently, categorical data are world applications, particularly widely used in many realin the biomedical and social sciences. Unlike the numeric case, when the data are cate- gorical, choosing the appropriate similarity or dissimilarity measure between two different categorical objects became a difficult task for many applications. What＇s more, in this case, the set mean, i.e., the averaging value of a finite set of data objects, is an undefined concept. This means that the well known K-means [ 1 ] and its numerous variants cannot be directly used for center-based clustering of categorical data.

关键词： ALGORITHM

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

识别聚类间远近关系的双几何体模型

引用

中国科学：信息科学 2012年第1期42卷 99-110页

作者：王开军严宣辉陈黎飞福建师范大学数学与计算机科学学院福州350108

许多实际问题的解决不仅需要聚类算法给出类标,更依赖于类间远近关系的辨别.对于类数较多且高维数据的困难情况,基于降维的聚类结果可视化方法通常会出现聚类的重叠、交织或强行拉远现象,使得一些类间的远近关系无法分辨或被错误显示;... 详细信息

许多实际问题的解决不仅需要聚类算法给出类标,更依赖于类间远近关系的辨别.对于类数较多且高维数据的困难情况,基于降维的聚类结果可视化方法通常会出现聚类的重叠、交织或强行拉远现象,使得一些类间的远近关系无法分辨或被错误显示;而现有的类间距离方法则不能揭示两个聚类是远离还是靠近.本文提出了双几何体模型方法来描述两个聚类的类间关系,并设计了相对边界距离、绝对边界距离和区域疏密程度等测量类间远近程度的方法.本文方法既考虑了两个聚类的最近样本集之间的绝对距离,也考虑了聚类边界区域的疏密程度,其优点是在上述困难情况下也能准确揭示高维空间中的类间关系.对真实数据集的实验结果表明,双几何体模型方法能有效地识别现有聚类可视化方法无法辨别的类间远近关系.

关键词：双几何体模型聚类间远近关系大类数高维数据划分聚类算法

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：