检索结果-南通市图书馆

计算机应用研究 2011年第9期28卷 3260-3263页

作者：曹丹阳杨炳儒李广原刘英华北京科技大学信息工程学院北京100083 北方工业大学信息工程学院北京100144

当存在噪声和离群点时,k-medoids算法具有较好的鲁棒性,但是对于大数据集,算法的计算代价比较高。cf树是Birch算法中常用的一种结构,对于大数据集的聚类有较好的可伸缩性,但是对于非球形的数据,聚类结果较差。因此,在两种算法的基础上,... 详细信息

当存在噪声和离群点时,k-medoids算法具有较好的鲁棒性,但是对于大数据集,算法的计算代价比较高。cf树是Birch算法中常用的一种结构,对于大数据集的聚类有较好的可伸缩性,但是对于非球形的数据,聚类结果较差。因此,在两种算法的基础上,提出一种基于cf树的k-medoids算法,先用数据集构建cf树,形成微簇,改进了欧式距离计算式,最后使用k-medoids算法对微簇进行聚类。当数据点较多时,改进算法比k-medoids算法运行速度快了近2倍。实验表明,改进算法具有较高的性能和可伸缩性。

关键词：聚类 k-中心点 cf树微簇

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

大型不确定数据库的有效聚类

大型不确定数据库的有效聚类

引用

作者：李云飞云南大学

学位级别：硕士

聚类分析作为数据挖掘的主要方法之一,越来越引起人们的重视。所谓聚类是将一组对象分成若干类,使得同一类内的对象尽量相似,不同类的对象尽量相异。由于聚类在现实生活中应用越来越广泛,因此研究如何提高聚类的效率具有实际的意义。如... 详细信息

聚类分析作为数据挖掘的主要方法之一,越来越引起人们的重视。所谓聚类是将一组对象分成若干类,使得同一类内的对象尽量相似,不同类的对象尽量相异。由于聚类在现实生活中应用越来越广泛,因此研究如何提高聚类的效率具有实际的意义。如果聚类在分析数据时所需时间太长,或者需要的存储量太大,即使最好的聚类算法也没有太大的实用价值,而且不确定数据的引入更是大大增加了聚类的难度。对不确定数据集进行聚类分析是数据挖掘领域中的一个重要的研究热点,现实生活中对不确定数据的分析也有很重要的应用价值。由于数据存在不确定性,就需要计算每个对象和它的簇代表点之间的期望距离,计算期望距离是相当耗时的,因为每个对象的概率密度函数是不同和任意的,计算大量的期望距离是影响算法效率的主要原因。因此ck-means算法的提出有效的提高了不确定对象的聚类效率,但是当聚类的样本很大时,则聚类代价还是很高。本文通过分析现有的不确定聚类算法,利用k-d树及cf树结构进行改进,进一步提高不确定聚类算法的效率。论文的主要内容包括以下几点：（1）介绍了数据挖掘及聚类的基本概念与主要方法（2）介绍了不确定数据聚类的相关概念,不确定数据聚类的经典算法uk-menas算法及其剪枝算法,以及ck-means算法（3）提出了基于k-d树的改进的ck-means算法,详细地介绍了k-d树及改进算法的实现过程,有效的提高了聚类的效率（4）提出了基于cf树的改进的ck-means算法,详细地介绍了cf树的建树及重建规则及改进算法的实现过程,有效地提高了聚类的质量及效率（5）实验部分通过模拟数据验证了改进算法的效果及两个改进后的算法的效果比较,并讨论其现实意义（6）总结,在回顾本文研究内容的同时,也对将来的研究工作做出了展望

关键词：聚类 k-d树 cf树 ck-means算法提高

来源：

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

基于密度的改进BIRCH聚类算法

引用

计算机工程与应用 2013年第10期49卷 201-205页

作者：韦相红河学院计算机科学与技术系云南蒙自661100

针对传统的BIRCH算法用直径来控制聚类的边界,对非球形聚类效果不佳,甚至会把非球状的簇分割为不同簇这一缺点,对BIRCH算法进行改进,改进算法首先建立多棵cf树,每棵cf树代表一个簇,并结合DBSCAN算法的密度可达的思想。该算法能对任意形... 详细信息

针对传统的BIRCH算法用直径来控制聚类的边界,对非球形聚类效果不佳,甚至会把非球状的簇分割为不同簇这一缺点,对BIRCH算法进行改进,改进算法首先建立多棵cf树,每棵cf树代表一个簇,并结合DBSCAN算法的密度可达的思想。该算法能对任意形状的簇进行准确的聚类。实验表明,算法能通过一次扫描进行有效聚类,时间复杂度与BIRCH算法相同,对大规模数据集具有较高的处理速度,实现了动态聚类,并可以准确地对任意形状的簇进行聚类并发现噪声点。

关键词：聚类 cf树密度质心

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

基于BIRCH和GAD的谱聚类算法研究

基于BIRCH和GAD的谱聚类算法研究

引用

作者：丁光华暨南大学

学位级别：硕士

谱聚类算法在小数据集上相比传统的聚类算法(例如：k-means算法等)能得到更高质量的聚类效果,然而,由于谱聚类总的计算复杂度近似为O(n3),其中n为数据集中实例的数量,导致在数据集中实例的规模非常大的时候无法使用谱聚类算法。现实世... 详细信息

谱聚类算法在小数据集上相比传统的聚类算法(例如：k-means算法等)能得到更高质量的聚类效果,然而,由于谱聚类总的计算复杂度近似为O(n3),其中n为数据集中实例的数量,导致在数据集中实例的规模非常大的时候无法使用谱聚类算法。现实世界的数据挖掘应用经常牵涉到巨大的数据集,因此,对巨大的数据集进行多次扫描或者把数据集所有实例都加载到内存中来做谱聚类都是不可行的。本文就谱聚类处理大数据集速度慢、消耗计算资源多的问题,提出了两个提高谱聚类计算速度的方法,即BIRCH-Based SPC和GAD-Based SPC算法。本文提出的算法首先使用BIRCH或GAD算法计算得到一定数量的代表性的核心数据对象,然后再在由这些代表性的核心数据对象组成的数据集上应用谱聚类,最后根据这些代表性的核心数据对象的谱聚类结果计算出数据集中所有数据实例所属的聚类簇。本文提出的两个算法能够在有限的计算资源(例如：CPU和内存)的条件下最大化谱聚类的聚类精确度。实验显示,BIRCH-Based SPC和GAD-Based SPC算法与基准谱聚类精确度相比,在精确度上只有些许降格的情况下,计算速度有很大的提升。本文提出的算法能在单台普通的PC机上处理上百级实例的数据集只需要花几分钟的计算时间。

关键词：谱聚类 BIRCH cf树 GAD 活动中心检测

来源：

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

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

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

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：