检索结果-南通市图书馆

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于加权与聚类中心分离的模糊聚类研究

基于加权与聚类中心分离的模糊聚类研究

作者：李小彦东北大学

学位级别：硕士

模糊聚类是数据挖掘技术中的重点应用技术之一,它是利用模糊数学的方法来研究聚类问题.由于能更准确地描述现实问题中的不确定关系,模糊聚类已成为聚类分析中研究的热点.本文研究模糊聚类算法,具体内容如下:一、首先介绍了模糊聚类的研... 详细信息

模糊聚类是数据挖掘技术中的重点应用技术之一,它是利用模糊数学的方法来研究聚类问题.由于能更准确地描述现实问题中的不确定关系,模糊聚类已成为聚类分析中研究的热点.本文研究模糊聚类算法,具体内容如下:一、首先介绍了模糊聚类的研究背景、理论发展和研究现状以及常用的模糊聚类算法原理.二、介绍了模糊集合的基础知识,给出了几种常见的模糊聚类算法,详细地介绍了FCM(模糊C-均值算法)、FCMCS(基于聚类中心分离的模糊聚类算法)和WFCMCS(基于特征加权带聚类中心分离的模糊聚类算法).三、考虑到离群点(在样本集中与其他样本点的一般行为或特征不一样的点)会降低聚类准确率,本文做了分析之后,引入样本权重,给出了一个基于样本-特征加权与聚类中心分离的模糊聚类模型(IWFCMCS),并给出了该模型的最优解,从而得到了一个最优意义下的模糊分类.四、IWFCMCS算法的复杂程度(算法运行时所使用的时间和空间,运行空间是指算法程序所占的存储空间,输入的初始数据所占的存储空间以及算法执行过程中所需要的额外空间)与模糊C-均值聚类算法FCM的是一致的,因此该算法也易于编程实现,便于应用.本文对该算法进行了仿真,实验结果表明通过调整参数IWFCMCS算法的聚类准确率不仅高于WFCMCS的,而且远远高于FCM、PFCM、SFPFKM和FCMCS等算法的聚类准确率.

关键词：模糊聚类目标函数权聚类中心模糊C-均值聚类

数据挖掘中聚类中心问题的光滑化和填充函数方法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

应用数学与计算数学学报 2007年第2期21卷 10-16页

作者：祝丽华孙小玲福建工程学院数理系福州350014 复旦大学管理学院上海200433

本文提出了数据挖掘中求解聚类中心问题的一种新方法.这类问题属于非凸非光滑全局最优化问题.我们首先利用光滑化方法将非光滑聚类函数用光滑函数逼近,然后对光滑化问题利用填充函数搜索其全局最优点.对不同数据库的数值试验表明,本文... 详细信息

本文提出了数据挖掘中求解聚类中心问题的一种新方法.这类问题属于非凸非光滑全局最优化问题.我们首先利用光滑化方法将非光滑聚类函数用光滑函数逼近,然后对光滑化问题利用填充函数搜索其全局最优点.对不同数据库的数值试验表明,本文提出的算法是可行和有效的.

关键词：数据挖掘聚类中心光滑化函数逐步求中心法填充函数法

在线全文

学校读者我要写书评

暂无评论

一种快速确定聚类中心的光谱聚类方法

太原科技大学学报 2020年第6期41卷 425-432页

作者：周永祥杨海峰蔡江辉尚晓群太原科技大学计算机科学与技术学院太原030024

恒星光谱分类是天文数据处理的重要环节,由于天文望远镜的改进与发展,人类已获取海量的光谱数据,在如此大的数据量下,光谱的快速分类识别显得尤为重要。聚类技术是实现目标分类的常用方法之一,而聚类中心点的选择是影响聚类精度和效率... 详细信息

恒星光谱分类是天文数据处理的重要环节,由于天文望远镜的改进与发展,人类已获取海量的光谱数据,在如此大的数据量下,光谱的快速分类识别显得尤为重要。聚类技术是实现目标分类的常用方法之一,而聚类中心点的选择是影响聚类精度和效率的重要因素,基于此提出一种快速确定聚类中心的光谱聚类方法(Fast Determination of Clustering Center)(FDCC).首先预处理提取出给定发射线的置信度信息,将其作为聚类方法的数据,从而实现对光谱数据的降维;计算所有数据的密度和距离,将密度和距离组合成评判值,利用聚类中心的密度高且相互距离远的特点从评判值中找出奇异点;最后利用真正中心点的密度和距离不应相差过大的特点从奇异点中得到聚类中心,再根据聚类中心使用K近邻得到所有的簇。该研究使用LAMOST DR5的光谱数据进行了聚类测试,实验结果表明本文提出的快速确定聚类中心的光谱聚类方法(FDCC)能够有效地减少运行时间,并且较于其他的算法,具有更好的聚类结果。

关键词：聚类恒星聚类中心预处理

在线全文

学校读者我要写书评

暂无评论

K-means算法聚类中心选取

吉林大学学报（信息科学版） 2019年第4期37卷 437-441页

作者：张朝郭秀娟张坤鹏吉林大学地球探测科学与技术学院长春130026 吉林建筑大学电气与计算机学院长春130118

传统K-means算法对于聚类初始点的选取和距离度量的计算异常敏感,因而很可能导致K-means算法只能收敛得到局部最优解。为此,提出一种改进的K-means算法,即K-means聚类算法最优匹配算法,并进行了相关的算法实验分析。该改进算法首先对传... 详细信息

传统K-means算法对于聚类初始点的选取和距离度量的计算异常敏感,因而很可能导致K-means算法只能收敛得到局部最优解。为此,提出一种改进的K-means算法,即K-means聚类算法最优匹配算法,并进行了相关的算法实验分析。该改进算法首先对传统的K-means聚类算法进行初始点的选取,并分析聚类结果。然后,分别从初始聚类中心的选择和距离算法的确定进行实验测试,引入轮廓系数评价聚类效果,分析实验结果可知,K-means聚类算法最优匹配算法具有较好的稳定性和较高的聚类准确率。

关键词： K-means算法聚类中心聚类分析

基于直方图的K-means聚类中心自动检测方法

在线全文

学校读者我要写书评

暂无评论

廊坊师范学院学报（自然科学版） 2013年第2期13卷 49-52页

作者：江健生朱会萍西安科技大学陕西西安710054 安庆师范学院安徽安庆246011

K-means聚类算法常用在图像分割中,聚类中心多采用随机选取,以彩色图像为研究对象,提出在彩色图像RGB三个分量灰度直方图中分别检测峰值,经三者排列后形成自动聚类中心的方法。实验结果表明:该方法简单、快速,检测出的峰值准确,形成的K-... 详细信息

K-means聚类算法常用在图像分割中,聚类中心多采用随机选取,以彩色图像为研究对象,提出在彩色图像RGB三个分量灰度直方图中分别检测峰值,经三者排列后形成自动聚类中心的方法。实验结果表明:该方法简单、快速,检测出的峰值准确,形成的K-means聚类中心较为合理。

关键词： K-means 聚类中心直方图彩色图像分割

几种优化FCM算法聚类中心的方法对比及仿真

在线全文

学校读者我要写书评

暂无评论

计算机技术与发展 2015年第5期25卷 17-20页

作者：朱然李积英兰州交通大学电子与信息工程学院甘肃兰州730070

模糊C-均值聚类(FCM)算法由于能够很好地解决像素分类的不确定性而得到广泛应用,但是聚类中心的初始化对其分割效果有很大的影响。文中以初始聚类中心为重点,分别用K均值算法、遗传算法、蚁群算法、粒子群优化算法优化FCM算法初始聚类中... 详细信息

模糊C-均值聚类(FCM)算法由于能够很好地解决像素分类的不确定性而得到广泛应用,但是聚类中心的初始化对其分割效果有很大的影响。文中以初始聚类中心为重点,分别用K均值算法、遗传算法、蚁群算法、粒子群优化算法优化FCM算法初始聚类中心,将优化后的结果作为FCM的初始聚类中心,并利用MATLBA软件进行了实验仿真。通过实验结果对比分析,不仅优化后的运算时间有所减少,而且所得的聚类中心更加稳定,使得分割出的目标也更加完整、清晰,验证了改进算法的有效性。

关键词：模糊C-均值聚类聚类中心智能算法参数优化

在线全文

学校读者我要写书评

暂无评论

基于密度峰值选取聚类中心的优化

内江科技 2016年第10期37卷 31-33,41页

作者：陶辉云南大学滇池学院理工学院云南大学信息学院

密度峰值聚类(Density peaks clustering简称DPC)算法是2014年在美国Science期刊上发表的一种非常简洁优美的聚类算法,它不需要像经典K-means算法那样迭代,也不需要很多参数。DPC算法的核心思想在于对聚类中心的刻画,它通过计算数据集... 详细信息

密度峰值聚类(Density peaks clustering简称DPC)算法是2014年在美国Science期刊上发表的一种非常简洁优美的聚类算法,它不需要像经典K-means算法那样迭代,也不需要很多参数。DPC算法的核心思想在于对聚类中心的刻画,它通过计算数据集中每个数据点的局部密度和该点到具有更高局部密度的点的最小距离,当数据点的■的值较大时,该点为聚类中心。然而通过分析,发现这样选取聚类中心得聚类效果不具有稳健性,依赖于和的量纲。本文提出一种改进的密度峰值聚类算法,将和归一化后的和记为每个点的权重,构造函数■作为选取聚类中心的判决函数,结合模拟计算,验证本文的方法更鲁棒,选取聚类中心效果更好,且复杂度降低。

关键词：聚类中心归一化方法 clustering 最小距离局部密度大时 kernel 密度比构造函数决策图

自定义聚类中心点的快速K-means聚类点云精简算法

在线全文

学校读者我要写书评

暂无评论

工业控制计算机 2024年第8期37卷 123-125页

作者：王世刚关红利广西科技大学自动化学院广西柳州545616

针对传统K-means算法在随机选取聚类中心点出现聚类失败及点云数据重建时在相对平坦的区域出现孔洞的问题,提出一种GK-means的改进聚类算法对点云数据进行精简。该算法首先规定数值K作为最终聚类个数的限定,然后对选点策略进行改进,采... 详细信息

针对传统K-means算法在随机选取聚类中心点出现聚类失败及点云数据重建时在相对平坦的区域出现孔洞的问题,提出一种GK-means的改进聚类算法对点云数据进行精简。该算法首先规定数值K作为最终聚类个数的限定,然后对选点策略进行改进,采用最远点采样选取聚类中心,对簇进行细分,计算所有点到聚类中心的欧氏距离,获取最小值所在的位置,放进最小距离所在的簇。实验结果表明:改进后的K-means算法能够使算法成功的概率提高且运行速度较快,对点云进行精简时,特征区域完整地保留了点云模型的细节特征,重建结果具有较高的光顺性。

关键词：聚类中心迭代 GK-means算法点云精简

优化初始聚类中心及确定K值的K-means算法

在线全文

学校读者我要写书评

暂无评论

计算机与数字工程 2018年第1期46卷 21-24,113页

作者：蒋丽薛善良南京航空航天大学计算机科学与技术学院南京211106

K-means聚类算法中,我们需要输入两个参数,一个是聚类数K,另一个是初始聚类中心,初始聚类中心的选择对聚类结果有较大的影响,传统的K-means聚类算法随机挑选K个聚类中心,而随机挑选的聚类中心难免会取到孤立点,这将对聚类结果产生很大... 详细信息

K-means聚类算法中,我们需要输入两个参数,一个是聚类数K,另一个是初始聚类中心,初始聚类中心的选择对聚类结果有较大的影响,传统的K-means聚类算法随机挑选K个聚类中心,而随机挑选的聚类中心难免会取到孤立点,这将对聚类结果产生很大的影响。K值是用户输入,K值选取的不好也将影响聚类效果。论文提出了一种改进的K-means聚类算法,先根据类簇指标确定需要聚类的数K,之后采用基于密度的思想,首先将聚类样本分为核心点、边界点和孤立点,之后排除孤立点和边界点并取核心点的中心点作为K个聚类中心后再进行K-means聚类,实验表明改进后的算法比原始的K-means聚类算法准确性更高。

关键词： K-means聚类聚类数聚类中心密度孤立点