聚类

  • 一种改进K-means聚类的近邻传播最大最小距离算法
    )0 引 言初始聚类中心对K-means聚类结果影响极大。经典的K-means聚类算法采用随机选取初始聚类中心的方式,有以下不足:① 易导致聚类结果的不稳定;② 有取得离群点作为初始聚类中心的可能;③ 某些初始聚类中心可能离群体太远,有的初始聚类中心可能相互之间隔得太近。为克服这些缺点,文献[1-3]分别采用构造最小生成树、最短路径加权属性图、最大最小距离MMD(Max-Min Distance)算法计算K-means的初始聚类中心,获得了一定的效果。但实

    计算机应用与软件 2021年7期2021-07-16

  • 局部迭代的快速K-means聚类算法
    学习情况下的数据聚类分析研究不仅在理论上取得了长足的发展,如文献中提到的ET-SSE[1]、OLDStream[2]、k-MS[3]、SDPC[4]及最小误差平方和K-means初始聚类中心优化[5]等算法,并且还广泛应用于图形图像处理[6]、文本分析[7]、视频处理[8]、网络舆情分析[9]、交通导航和各类推荐系统等各个领域。K-means 模型是最基本和最重要的聚类算法之一。该模型在欧几里得空间定义了包含n个向量元素的数据集D={d1,d2,…,dn}

    计算机工程与应用 2020年13期2020-07-06

  • 基于云计算的数据挖掘聚类算法研究
    云计算的数据挖掘聚类算法。数据挖掘聚类指的就是尽可能复用前人已经完成的人工识别工作,从而提高工作效率。解决形式上的数据挖掘聚类问题并不困难,最简单直接的办法就是为各种基本数据格式两两之间开发一个转换器,因为流行的数据格式数量不多,并且转换规则明确,这是一个只要投入一定人力就能解决的问题[2]。但语义上的数据挖掘聚类比较复杂,因此,本文进行基于云计算的数据挖掘聚类算法研究。1 基于云计算的数据挖掘聚类算法研究考虑到传统的数据挖掘聚类算法已经不能满足对海量数据

    数字通信世界 2020年5期2020-06-15

  • 一种改进的自适应聚类集成选择方法
    朋 李先锋 徐静聚类分析的目标是依据对象之间的相似度对其自动分组/簇,使得簇内对象彼此相似度尽量高,而簇间对象彼此相似度尽量低[1−2].虽然已有上千种聚类算法,但没有一种能有效识别不同大小,不同形状,不同密度甚至可能包含噪声的簇[1].已有聚类方法主要分为:1)基于划分的方法,将聚类问题转化为优化问题,并采用不同的优化策略,例如,K均值算法(K-means,KM)[3]、非负矩阵分解(Nonnegative matrix factorization,NM

    自动化学报 2018年11期2018-12-05

  • 数种基于SPSS统计工具的聚类算法效率对比
    其重要组成部分的聚类分析技术已广泛用于数据分析、图像处理、市场研究等多种领域[1-3]。聚类分析根据数据特征将其进行分类,尽可能突显类与类之间的差距,使类的数据差距尽可能相近,即拥有相似特征的数据被聚为一类。聚类分析同时也是一种无监督的学习过程,很难选择最佳聚类分析方法并达到有效聚类个数。目前对聚类算法的研究及应用集中在两个方面:(1)聚类算法改进。众多专家和学者对数据聚类方法算法进行了改进和创新,包括K-means聚类、系统聚类、两步聚类,以提高算法精确

    软件导刊 2018年11期2018-11-19

  • 面向WSN的聚类头选举与维护协议的研究综述
    WSN提出了很多聚类方法,其中,节约能耗是这类协议的主要目标。聚类协议的操作通常分为三个阶段:聚类头选举、聚类形成以及数据传输。每一个协议的主要部分都是聚类头选举算法,因为它能定义一个网络的能效。除了能效,聚类协议还有其他的聚类目标,例如覆盖率和容错性等。本文旨在综述WSN中近十年的聚类协议。首先,本文讨论了WSN中的聚类目标和聚类特征分类,然后详细概述了各个聚类协议的聚类头选举与维护过程,最后统计并分析了这些聚类选举的聚类特征和选举聚类头节点的考虑因素。

    现代计算机 2018年27期2018-10-25

  • 改进K均值聚类算法
    71)改进K均值聚类算法杨 娟,屈传慧(西安电子科技大学,陕西 西安 710071)K均值聚类算法因需给定聚类中心数,使得聚类结果受初始化中心数的影响很大。介绍了K均值聚类法的概念,并引入层次聚类的概念,采用先分解后合并的思想对K均值法进行了改进,对改进后算法进行了仿真验证。K均值;聚类算法;分解合并0 引 言聚类,就是将样本分配到不同类的过程[1]。聚类的基础为样本之间的相异性,聚类即寻找样本之间的相似度对样本进行划分。目前,常用的聚类方法包括:划分聚类

    舰船电子对抗 2017年6期2018-01-11

  • Background modeling methods in video analysis:A review and comparative evaluation
    ”[15].目前聚类方式有三类:一是系统聚类,用于对小样本的对象间聚类以及对变量聚类。二是有序样品聚类,对有排序次序的样本的对象间聚类,要求是次序相邻的对象才能聚为一类。三是动态聚类,适用于样本量大时对象间的聚类,一般用k-means法处理。由于内部审计一般依靠历史数据,提出有价值的工作建议,所以由于涉及内部审计的业务数据量较大,所以本文采用第三种聚类分析方式。The traditional GMM has several advantages.It do

    CAAI Transactions on Intelligence Technology 2016年1期2016-04-11

  • 高斯加权的重构性K-NN算法研究
    高斯加权距离以及聚类重构机制的K-NN文本聚类算法。文章提出K-NN近邻域的概念,通过高斯加权的近邻域算法实施K-NN聚类。利用高斯函数根据样本与聚类中心的距离为样本赋权,计算聚类距离。基于近邻域权重和聚类密度对形成的聚类实施重构,实现聚类数目的自适应调整。使用拆分算子拆分稀疏聚类并调整异常样本;使用合并算子合并相似聚类。实验显示聚类重构机制能够有效地提高聚类的准确率及召回率,增加聚类密度,使得形成的聚类结果更加合理。文本聚类;K-NN算法;高斯加权;近邻

    中文信息学报 2015年5期2015-04-21

  • 雷达点元聚类算法性能的比较与分析
    到的所有点元进行聚类。点元聚类是指将所有检测到的属于一个真实目标的雷达点元进行归类的操作。雷达点元聚类不仅有助于降低检测虚警概率,同时有助于真实目标的识别以及目标跟踪点的选取。点元聚类应同时具有完备性和排他性,即在将所有属于同一目标的点元归为一类的同时,将不属于该目标的点元排除。本文主要介绍了三种点元聚类常用的算法:圆心半径聚类算法、边缘聚类算法和逐点聚类算法,并对这三种算法的聚类效果以及聚类时间进行了比较。1 圆心半径聚类算法圆心半径聚类算法是一种较简单

    制导与引信 2015年1期2015-04-20

  • 一种新的层次谱聚类算法
    475004)聚类算法在数据分析和模式识别领域都扮演着重要的角色,其目的是将相似对象聚为一类.在目前计算机视觉的研究中存在的困难是如何有效地提高聚类算法的性能.作为一种有效的数据分析方法,聚类算法在计算机视觉、信息检索及数据挖掘等领域都有广泛的应用.聚类搜索策略是当前研究的一个热点.1998年,Iyengar等[1]利用聚类算法已达到对大型数据库进行有效的访问.2002年,Saux等[2]提出利用图像聚类可以从更好的角度帮助用户快速的从大型数据库中找到所

    上海理工大学学报 2014年1期2014-11-22