检索结果-南通市图书馆

自动确定聚类中心的快速搜索和发现密度峰值的聚类算法

在线全文

学校读者我要写书评

暂无评论

模式识别与人工智能 2019年第11期32卷 1032-1041页

作者：王万良吴菲吕闯浙江工业大学计算机科学与技术学院

快速搜索和发现密度峰值的聚类算法(CFSFDP)具有不能自动确定聚类中心的缺点,文中提出自动确定聚类中心的CFSFDP.首先针对变量分布不均匀的问题,将密度和距离进行归一化处理.再通过切比雪夫不等式确定归一化后的密度阈值上限,利用标准... 详细信息

快速搜索和发现密度峰值的聚类算法(CFSFDP)具有不能自动确定聚类中心的缺点,文中提出自动确定聚类中心的CFSFDP.首先针对变量分布不均匀的问题,将密度和距离进行归一化处理.再通过切比雪夫不等式确定归一化后的密度阈值上限,利用标准差确定归一化后的距离阈值上限.最后根据决策函数确定决策阈值上限,统筹考虑两种决定因素,避免中心点选取遗漏,自动确定聚类中心.实验表明,文中算法可以有效地自适应选择聚类中心,具有较好的鲁棒性和有效性.

关键词：密度峰值聚类算法聚类中心切比雪夫不等式

基于正序迭代选择策略的聚类中心自动选择方法

在线全文

学校读者我要写书评

暂无评论

模式识别与人工智能 2019年第2期32卷 151-160页

作者：王万良吕闯赵燕伟高楠杨小涵张兆娟浙江工业大学计算机科学与技术学院杭州310023

针对密度峰值聚类算法的决策函数不能自动有效地确定聚类中心的问题,提出自动确定聚类中心的密度峰值聚类算法.首先,通过归一化处理,使决策函数中的两个变量分布均匀.然后,在确定聚类中心时,提出正序迭代选择策略,即根据聚类核心点数目... 详细信息

针对密度峰值聚类算法的决策函数不能自动有效地确定聚类中心的问题,提出自动确定聚类中心的密度峰值聚类算法.首先,通过归一化处理,使决策函数中的两个变量分布均匀.然后,在确定聚类中心时,提出正序迭代选择策略,即根据聚类核心点数目的变化趋势搜索拐点,并以拐点之前的点作为聚类中心,完成聚类.最后,在UCI数据集上验证文中算法的性能,算法在未提高时间复杂度的情况下,可以对任意分布形状的数据集进行聚类,具有较好的适应性和聚类效果.

关键词：聚类中心决策函数正序迭代密度峰值聚类数据挖掘

自适应选取聚类中心K-means航迹起始算法

在线全文

学校读者我要写书评

暂无评论

哈尔滨工业大学学报 2014年第5期46卷 113-119页

作者：宫峰勋戴丽华马艳秋中国民航大学电子信息工程学院天津300300

为揭示多传感器观测数据的正态分布态势,实现对源于异类目标的跟踪,提出一种新的多传感器航迹起始算法,本算法主要特点是初始聚类中心的自适应选取以及对逻辑估计法的起始夹角修正.估计算法中采用不相似性度量阈值的角度衡量方法,同时... 详细信息

为揭示多传感器观测数据的正态分布态势,实现对源于异类目标的跟踪,提出一种新的多传感器航迹起始算法,本算法主要特点是初始聚类中心的自适应选取以及对逻辑估计法的起始夹角修正.估计算法中采用不相似性度量阈值的角度衡量方法,同时还结合聚类数目自适应归纳及初始聚类中心的推演逼近,从而使单传感器的航迹起始估计算法可以应用于多传感器的航迹起始根据;然后对聚类后的数据采用修正的逻辑航迹起始算法起始目标航迹.蒙特卡洛估计表明,新的自适应K-means聚类估计区分呈团状分布的不同目标的能力好,且通过估计算法得到的目标非常接近真实目标位置.经过自适应聚类处理后的目标航迹起始估计可有效滤除杂波干扰,降低虚警概率,能够获得较好的多传感器航迹起始.

关键词： K-means聚类聚类中心自适应相似性度量阈值航迹起始

在线全文

学校读者我要写书评

暂无评论

融合网格密度的聚类中心初始化方案

北京邮电大学学报 2007年第2期30卷 6-10页

作者：牛琨张舒博陈俊亮北京邮电大学计算机科学与技术学院北京100876 中国电信北京研究院决策研究部北京100035

提出了一种采用密度指针的聚类中心初始化方法——density pointer(DP)算法.DP算法以网格单元的几何中心为对称中心,连接该中心与网格单元各顶点,以此对称分割传统的类矩形网格单元,形成超三角形子空间;进而根据各个超三角形子空间与邻... 详细信息

提出了一种采用密度指针的聚类中心初始化方法——density pointer(DP)算法.DP算法以网格单元的几何中心为对称中心,连接该中心与网格单元各顶点,以此对称分割传统的类矩形网格单元,形成超三角形子空间;进而根据各个超三角形子空间与邻居单元相邻的超三角形子空间的密度差异确定密度指针的方向,并根据密度指针计算出每个密集网格单元的聚集因子;最后将具有较大局部聚集因子的网格单元族的重心作为初始聚类中心.在公开数据集和人工数据集上的实验结果表明,DP算法能快速高效地找到接近于真实聚类中心的数据点作为初始聚类中心.针对算法的效率实验表明,DP算法的时间开销与数据集实例数、维度以及网格单元数量均呈一阶线性关系.

关键词：密度指针聚集因子聚类中心初始化

在线全文

学校读者我要写书评

暂无评论

聚类中心初始值选择方法综述

中国电子科学研究院学报 2019年第4期14卷 354-359,372页

作者：邓旭冉超木日力格郭静中国科学技术大学安徽230000 中国电子科学研究院北京100041

聚类分析是常用的机器学习算法之一,通过聚类可以观察数据结构,因此聚类方法被广泛应用于多个研究领域。对于聚类算法来说,算法初始化对聚类结果的影响是非常大的。不同的聚类初始值可能会导致截然不同的聚类结果,甚至会影响聚类算法的... 详细信息

聚类分析是常用的机器学习算法之一,通过聚类可以观察数据结构,因此聚类方法被广泛应用于多个研究领域。对于聚类算法来说,算法初始化对聚类结果的影响是非常大的。不同的聚类初始值可能会导致截然不同的聚类结果,甚至会影响聚类算法的收敛性质。本文主要介绍了近年来提出的聚类中心初始化方法,并分析其优劣性质。这些分析结果会帮助更好的理解并选择合适的聚类中心初始化方法。

关键词：聚类划分聚类聚类中心算法初始化

在线全文

学校读者我要写书评

暂无评论

一种新的k-means聚类中心选取算法

计算机工程与应用 2011年第35期47卷 132-134页

作者：黄敏何中市邢欣来陈英重庆工贸职业技术学院信息工程系重庆408300 重庆大学计算机学院重庆400044

在2010年提出已有的k-means聚类中心选取算法的基础上进行改进。通过计算样本间的距离求出每个样本的密度参数,选取最大密度参数值所对应的样本作为初始聚类中心。当最大密度参数值不惟一时,提出合理选取最大密度参数值的解决方案,依次... 详细信息

在2010年提出已有的k-means聚类中心选取算法的基础上进行改进。通过计算样本间的距离求出每个样本的密度参数,选取最大密度参数值所对应的样本作为初始聚类中心。当最大密度参数值不惟一时,提出合理选取最大密度参数值的解决方案,依次求出k个初始聚类中心点,由此提出了一种新的k-means聚类中心选取算法。实验证明,提出的算法与对比算法相比具有更高的准确率。

关键词： k-means算法聚类中心密度参数

在线全文

学校读者我要写书评

暂无评论

最小一乘聚类中心模型及算法

计算机科学 2008年第7期35卷 195-196页

作者：蔡广基严玉清李师贤广东湛江师范学院信息学院湛江524048 中山大学计算机科学系

本文首次提出最小一乘聚类中心的数学模型,对于不可微目标函数推导了最优解的条件,同时构造了最小一乘聚类中心的逼近点列,给出了相应的算法,并研究了一个不带类别标记的两类分类问题。最后讨论了最小一乘聚类中心能抵御样本中噪声的数... 详细信息

本文首次提出最小一乘聚类中心的数学模型,对于不可微目标函数推导了最优解的条件,同时构造了最小一乘聚类中心的逼近点列,给出了相应的算法,并研究了一个不带类别标记的两类分类问题。最后讨论了最小一乘聚类中心能抵御样本中噪声的数学机理,并通过例子说明了此方法的有效性。

关键词：最小一乘方法聚类中心不可微函数

在线全文

学校读者我要写书评

暂无评论

K-means算法的初始聚类中心的优化

计算机工程与应用 2008年第10期44卷 147-149页

作者：赖玉霞刘建平浙江理工大学信息电子学院杭州310018

传统的K-means算法对初始聚类中心敏感,聚类结果随不同的初始输入而波动,针对K-means算法存在的问题,提出了基于密度的改进的K-means算法,该算法采取聚类对象分布密度方法来确定初始聚类中心,选择相互距离最远的K个处于高密度区域的点... 详细信息

传统的K-means算法对初始聚类中心敏感,聚类结果随不同的初始输入而波动,针对K-means算法存在的问题,提出了基于密度的改进的K-means算法,该算法采取聚类对象分布密度方法来确定初始聚类中心,选择相互距离最远的K个处于高密度区域的点作为初始聚类中心,理论分析与实验结果表明,改进的算法能取得更好的聚类结果。

关键词：聚类 K-means算法密度聚类中心高密度区域

一种改进的k-means初始聚类中心选取算法

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2010年第17期46卷 150-152页

作者：韩凌波王强蒋正锋郝志强中共湛江市委党校理论信息室广东湛江524032 广西师范大学计算机科学与信息工程学院广西桂林541004

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,针对这个缺点,提出一种优化初始聚类中心的算法。该算法通过计算每个数据对象的密度参数,然后选取k个处于高密度分布的点作为初始聚类中心。实验表明,在聚类类别... 详细信息

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,针对这个缺点,提出一种优化初始聚类中心的算法。该算法通过计算每个数据对象的密度参数,然后选取k个处于高密度分布的点作为初始聚类中心。实验表明,在聚类类别数给定的情况下,通过用标准的UCI数据库进行实验比较,发现采用改进后方法选取的初始类中心的k-means算法比随机选取初始聚类中心算法有相对较高的准确率和稳定性。

关键词： k-means算法聚类中心密度参数