有許多聚類算法可供選擇，對(duì)于所有情況，沒有單一的最佳聚類算法。相反，最好探索一系列聚類算法以及每種算法的不同配置。在本教程中，你將發(fā)現(xiàn)如何在 python 中安裝和使用頂級(jí)聚類算法。
2023-05-22 09:13:55
171 
分享一篇關(guān)于聚類的文章：10種聚類算法和Python代碼。
2023-01-07 09:33:38566 在聚類技術(shù)領(lǐng)域中，K-means可能是最常見和經(jīng)常使用的技術(shù)之一。K-means使用迭代細(xì)化方法，基于用戶定義的集群數(shù)量（由變量K表示）和數(shù)據(jù)集來產(chǎn)生其最終聚類。例如，如果將K設(shè)置為3，則數(shù)據(jù)集將分組為3個(gè)群集，如果將K設(shè)置為4，則將數(shù)據(jù)分組為4個(gè)群集，依此類推。
2022-10-28 14:25:21499 K-means 算法是典型的基于距離的聚類算法，采用距離作為相似性的評(píng)價(jià)指標(biāo)，兩個(gè)對(duì)象的距離越近，其相似度就越大。而簇是由距離靠近的對(duì)象組成的，因此算法目的是得到緊湊并且獨(dú)立的簇。
2022-07-18 09:19:131438 
K-means 是一種聚類算法，且對(duì)于數(shù)據(jù)科學(xué)家而言，是簡單且熱門的無監(jiān)督式機(jī)器學(xué)習(xí)(ML)算法之一。
2022-06-06 11:53:552540 FCM聚類算法以及改進(jìn)模糊聚類算法用于醫(yī)學(xué)圖像分割的matlab源程序
2018-05-11 23:30:42
基于模糊C均值聚類的軟件多缺陷定位方法
2021-06-02 14:38:41
6 為構(gòu)建行駛工況，消除K均值算法對(duì)初始聚類中心的敏感性及噪聲點(diǎn)的干擾，提岀一種改進(jìn)主成分分析和基于密度的改進(jìn)k-均值聚類組合方法。結(jié)合距離優(yōu)化法和密度法，構(gòu)建一種數(shù)據(jù)集密度度量方法。選取距離較大、密度
2021-05-31 11:16:083 簇控制在最優(yōu)傳輸距離內(nèi)，實(shí)現(xiàn)簇內(nèi)節(jié)點(diǎn)的能耗均衡。通過目標(biāo)函數(shù)對(duì)K- means聚類簇進(jìn)行優(yōu)化，保證簇內(nèi)節(jié)點(diǎn)數(shù)目的均勻分布，并在考慮剩余能量和地理位置的基礎(chǔ)上完成節(jié)點(diǎn)數(shù)據(jù)傳輸。實(shí)驗(yàn)結(jié)果表明，該算法在均衡網(wǎng)絡(luò)能耗的同時(shí)，可有效延長網(wǎng)絡(luò)生命
2021-05-26 14:50:172 針對(duì)含有噪聲的高維數(shù)據(jù)的聚類問題，提岀一種使用新的距離度量方式的増量式聚類算法 ANFCM（cp）。由于傳統(tǒng)的模糊C均值聚類算法對(duì)初始化聚類中心比較敏感，所提岀的聚類算法將單程FCM的増量機(jī)制（稱為
2021-05-12 15:20:511 為了降低K- mediods聚類算法的誤差并提高并行優(yōu)化的性能，將混合蛙跳算法運(yùn)用于聚類和并行優(yōu)化過程。在Kmediods聚類過程中，將K- mediods與聚類簇思想相結(jié)合，對(duì)各個(gè)聚類簇進(jìn)行混合
2021-05-08 16:17:184 為構(gòu)建行駛工況，消除K-均值算法對(duì)初始聚類中心的敏感性及噪聲點(diǎn)的干擾，提岀一種改進(jìn)主成分分析和基于密度的改進(jìn)K-均值聚類組合方法。結(jié)合距離優(yōu)化法和密度法，構(gòu)建一種數(shù)據(jù)集密度度量方法。選取距離較大
2021-04-16 15:36:0016 除邊界點(diǎn)和噪聲點(diǎn)對(duì)聚類結(jié)果的影響。引入關(guān)聯(lián)度矩陣，通過計(jì)算類簇間的關(guān)聯(lián)程度和融合度量，選取最優(yōu)關(guān)聯(lián)簇進(jìn)行融合得到最終聚類結(jié)果。實(shí)驗(yàn)結(jié)果表明，該算法無需人工設(shè)置聚類參數(shù)，并且與基于密度的空間聚類算法和K均值聚類算法
2021-04-01 16:16:4913 子空間并定義合理的約東函數(shù)指導(dǎo)聚類過程，從而實(shí)現(xiàn)類簇的可重疊性與離群點(diǎn)的控制。在此基礎(chǔ)上定義合理的目標(biāo)函數(shù)對(duì)傳統(tǒng)K- Means算法進(jìn)行修正，利用熵權(quán)約東分別計(jì)算每個(gè)類簇中各維度的權(quán)重，使用權(quán)重值標(biāo)識(shí)不同類簇中維度的相對(duì)重要性，
2021-03-25 14:07:1013 度推薦算法。采用改進(jìn)的蜂群算法來優(yōu)化K- means++聚類的中心點(diǎn)，使聚類中心在整個(gè)數(shù)據(jù)內(nèi)達(dá)到最優(yōu)，并對(duì)聚類結(jié)果進(jìn)行集成，使得聚類得到進(jìn)一步優(yōu)化。根據(jù)聚類結(jié)果，在同一類中采用改進(jìn)的用戶相似度算法來優(yōu)化傳統(tǒng)相似度算法，
2021-03-18 11:17:1110 聚類或聚類分析是無監(jiān)督學(xué)習(xí)問題。它通常被用作數(shù)據(jù)分析技術(shù)，用于發(fā)現(xiàn)數(shù)據(jù)中的有趣模式，例如基于其行為的客戶群。有許多聚類算法可供選擇，對(duì)于所有情況，沒有單一的最佳聚類算法。相反，最好探索一系列聚類算法
2021-03-12 18:23:431828 幾張GIF理解K-均值聚類原理k均值聚類數(shù)學(xué)推導(dǎo)與python實(shí)現(xiàn)前文說了k均值聚類，他是基于中心的聚類方法，通過迭代將樣本分到k個(gè)類中，使...
2020-12-10 21:56:09216 這一最著名的聚類算法主要基于數(shù)據(jù)點(diǎn)之間的均值和與聚類中心的聚類迭代而成。它主要的優(yōu)點(diǎn)是十分的高效，由于只需要計(jì)算數(shù)據(jù)點(diǎn)與劇類中心的距離，其計(jì)算復(fù)雜度只有O（n）。
2020-04-15 15:23:2914904 聚類算法十分容易上手，但是選擇恰當(dāng)?shù)?b style="color: red">聚類算法并不是一件容易的事。
2020-03-15 17:10:001663 聚類分析是將研究對(duì)象分為相對(duì)同質(zhì)的群組的統(tǒng)計(jì)分析技術(shù)，聚類分析的核心就是發(fā)現(xiàn)有用的對(duì)象簇。K-means聚類算法由于具有出色的速度和良好的可擴(kuò)展性，一直備受廣大學(xué)者的關(guān)注。然而，傳統(tǒng)的K
2018-12-20 10:28:2910 中，干擾樣本個(gè)體之間的權(quán)重值，實(shí)現(xiàn)樣本個(gè)體間的信息隱藏以達(dá)到隱私保護(hù)的目的。通過UCI數(shù)據(jù)集上的仿真實(shí)驗(yàn)，表明該算法能夠在一定的信息損失度范圍內(nèi)實(shí)現(xiàn)有效的數(shù)據(jù)聚類，也可以對(duì)聚類數(shù)據(jù)進(jìn)行保護(hù)。
2018-12-14 10:54:2610 K-means算法是被廣泛使用的一種聚類算法，傳統(tǒng)的-means算法中初始聚類中心的選擇具有隨機(jī)性，易使算法陷入局部最優(yōu)，聚類結(jié)果不穩(wěn)定。針對(duì)此問題，引入多維網(wǎng)格空間的思想，首先將樣本集映射到一個(gè)
2018-12-13 17:56:551 針對(duì)傳統(tǒng)K-means型算法的“均勻效應(yīng)”問題，提出一種基于概率模型的聚類算法。首先，提出一個(gè)描述非均勻數(shù)據(jù)簇的高斯混合分布模型，該模型允許數(shù)據(jù)集中同時(shí)包含密度和大小存在差異的簇；其次，推導(dǎo)了非均勻
2018-12-13 10:57:5910 ）2個(gè)步驟，以提高平衡聚類算法的聚類效果與時(shí)間性能。首先基于模擬退火在數(shù)據(jù)集中快速定位出K個(gè)合適的數(shù)據(jù)點(diǎn)作為平衡聚類初始點(diǎn)，然后每個(gè)中心點(diǎn)分階段貪婪地將距離其最近的數(shù)據(jù)點(diǎn)加入簇中直至達(dá)到簇規(guī)模上限。在6個(gè)UCI真實(shí)數(shù)據(jù)集與2個(gè)公開圖
2018-11-28 09:53:067 無監(jiān)督學(xué)習(xí)是機(jī)器學(xué)習(xí)技術(shù)中的一類，用于發(fā)現(xiàn)數(shù)據(jù)中的模式。本文介紹用Python進(jìn)行無監(jiān)督學(xué)習(xí)的幾種聚類算法，包括K-Means聚類、分層聚類、t-SNE聚類、DBSCAN聚類等。
2018-05-27 09:59:1329359 
Matlab 提供系列函數(shù)用于聚類分析，歸納起來具體方法有如下： 方法一：直接聚類，利用 clusterdata 函數(shù)對(duì)樣本數(shù)據(jù)進(jìn)行一次聚類，其缺點(diǎn)為可供用戶選擇的面較窄，不能更改距離的計(jì)算方法，該方法的使用者無需了解聚類的原理和過程，但是聚類效果受限制。
2018-05-18 15:04:006775 本文開始介紹了聚類算法概念，其次闡述了聚類算法的分類，最后詳細(xì)介紹了聚類算法中密度DBSCAN的相關(guān)概況。
2018-04-26 10:56:4121028 
與分類不同，分類是示例式學(xué)習(xí)，要求分類前明確各個(gè)類別，并斷言每個(gè)元素映射到一個(gè)類別，而聚類是觀察式學(xué)習(xí)，在聚類前可以不知道類別甚至不給定類別數(shù)量，是無監(jiān)督學(xué)習(xí)的一種。目前聚類廣泛應(yīng)用于統(tǒng)計(jì)學(xué)、生物學(xué)、數(shù)據(jù)庫技術(shù)和市場(chǎng)營銷等領(lǐng)域，相應(yīng)的算法也非常的多。
2018-02-12 16:42:3514535 
的規(guī)范化互信息（NMI）；然后基于NMI的值來選擇用于聚類集成的K均值基聚類器的K值序列；最后采用二次互信息（ QMI）的一致函數(shù)生成一致聚類結(jié)果，并使用一種半監(jiān)督方法對(duì)聚類簇進(jìn)行標(biāo)注。通過實(shí)驗(yàn)比較了聚類集成方法與單個(gè)聚類算法
2018-02-09 10:35:560 針對(duì)譜聚類算法在解決高維、大數(shù)據(jù)量的聚類問題時(shí)出現(xiàn)的效率不高和準(zhǔn)確率明顯下降的問題進(jìn)行了研究，并在此研究基礎(chǔ)上結(jié)合最優(yōu)投影理論和Nystrom抽樣提出了基于最優(yōu)投影的半監(jiān)督譜聚類算法
2018-01-14 11:54:580 通過對(duì)基于K-means聚類的缺失值填充算法的改進(jìn)，文中提出了基于距離最大化和缺失數(shù)據(jù)聚類的填充算法。首先，針對(duì)原填充算法需要提前輸入聚類個(gè)數(shù)這一缺點(diǎn)，設(shè)計(jì)了改進(jìn)的K-means聚類算法：使用數(shù)據(jù)間
2018-01-09 10:56:560 提出基于可能性二均值聚類（Possibilistic Two Means， P2M）的二分類支持向量機(jī)（Support Vector Machine，SVM）。該算法先用P2M對(duì)未知類別的二分類數(shù)據(jù)
2018-01-09 10:45:010 基于SVM和模糊K均值算法的部位外觀模型。部位外觀模型由兩個(gè)分類器構(gòu)成，線性SVM分類器用于判斷部位定位狀態(tài)是否屬于人體部位，相似度分類器由部位定位狀態(tài)與利用模糊K均值算法確定的部位聚類中心的歸一化歐氏距離來構(gòu)造，用于計(jì)算
2018-01-08 15:13:400 在目標(biāo)域可利用數(shù)據(jù)匱乏的場(chǎng)景下，傳統(tǒng)聚類算法的性能往往會(huì)下降，在該場(chǎng)景下，通過抽取源域中的有用知識(shí)用于指導(dǎo)目標(biāo)域?qū)W習(xí)以得到更為合適的類別信息和聚類性能，是一種有效的學(xué)習(xí)策略．借此提出一種基于近鄰傳播
2018-01-07 09:34:440 基于相似度的聚類算法，該算法結(jié)合區(qū)間值模糊軟集的特性，著重對(duì)給出評(píng)價(jià)對(duì)象的具有相似知識(shí)水平的專家進(jìn)行聚類，同時(shí)討論了算法的計(jì)算復(fù)雜度。最后通過實(shí)例說明該算法能有效地處理專家聚類問題。
2018-01-05 16:15:270 針對(duì)傳統(tǒng)模糊C一均值（ FCM）聚類算法初始聚類中心不確定，且需要人為預(yù)先設(shè)定聚類類別數(shù)，從而導(dǎo)致結(jié)果不準(zhǔn)確的問題，提出了一種基于中點(diǎn)密度函數(shù)的模糊聚類算法。首先，結(jié)合逐步回歸思想作為初始聚類中心
2017-12-26 15:54:200 針對(duì)大數(shù)據(jù)環(huán)境下K-means聚類算法聚類精度不足和收斂速度慢的問題，提出一種基于優(yōu)化抽樣聚類的K-means算法（OSCK）。首先，該算法從海量數(shù)據(jù)中概率抽樣多個(gè)樣本；其次，基于最佳聚類中心的歐氏
2017-12-22 15:47:180 研究加速K-medoids聚類算法，首先以PAM（partitiomng around medoids）、TPAM（triangular inequality elimination
2017-12-22 15:35:470 聚類作為無監(jiān)督學(xué)習(xí)技術(shù)，已在實(shí)際中得到了廣泛的應(yīng)用，但是對(duì)于帶有噪聲的數(shù)據(jù)集，一些主流算法仍然存在著噪聲去除不徹底和聚類結(jié)果不準(zhǔn)確等問題．本文提出了一種基于密度差分的自動(dòng)聚類算法（CDD
2017-12-18 11:16:570 傳統(tǒng)的核聚類僅考慮了類內(nèi)元素的關(guān)系而忽略了類間的關(guān)系，對(duì)邊界模糊或邊界存在噪聲點(diǎn)的數(shù)據(jù)集進(jìn)行聚類分析時(shí)，會(huì)造成邊界點(diǎn)的誤分問題。為解決上述問題，在核模糊C均值（ KFCM）聚類算法的基礎(chǔ)上提出了一種
2017-12-15 10:52:531 針對(duì)原始K-means聚類算法受初始聚類中心影響過大以及容易陷入局部最優(yōu)的不足，提出一種基于改進(jìn)布谷鳥搜索（cs）的K-means聚類算法（ACS-K-means）。其中，自適應(yīng)CS（ ACS）算法
2017-12-13 17:24:063 方法進(jìn)行改進(jìn)，將傳統(tǒng)譜聚類算法（NJW-SC）中的基于歐氏距離的相似性測(cè)度換為基于流行距離的相似性測(cè)度，在此基礎(chǔ)上對(duì)樣本對(duì)象集進(jìn)行聚類。之后將新提出來的算法同K-Means算法、傳統(tǒng)譜聚類算法、模糊C均值聚類算法在人工數(shù)據(jù)集
2017-12-07 14:53:033 的算法。首先，通過各向異性擴(kuò)散處理圖像；然后，使用一維K-均值對(duì)像素進(jìn)行聚類；最后，根據(jù)聚類結(jié)果和先驗(yàn)知識(shí)將像素值修改為最佳類中心像素值。理論分析表明該算法可以使圖像的峰值信噪比（ PSNR）達(dá)到最大值。實(shí)驗(yàn)結(jié)果表明：所
2017-12-06 16:44:110 針對(duì)軌跡聚類算法在相似性度量中多以空間特征為度量標(biāo)準(zhǔn)，缺少對(duì)時(shí)間特征的度量，提出了一種基于時(shí)空模式的軌跡數(shù)據(jù)聚類算法。該算法以劃分再聚類框架為基礎(chǔ)，首先利用曲線邊緣檢測(cè)方法提取軌跡特征點(diǎn)；然后根據(jù)
2017-12-05 14:07:580 D-Stream作出并行化改進(jìn)，用通用的大數(shù)據(jù)處理框架Spark設(shè)計(jì)了一個(gè)基于分布式架構(gòu)運(yùn)行的動(dòng)態(tài)數(shù)據(jù)聚類算法PDStream。實(shí)驗(yàn)結(jié)果表明，該算法具有更高的效率和良好的擴(kuò)展性，能夠實(shí)現(xiàn)分布式架構(gòu)下的流數(shù)據(jù)動(dòng)態(tài)聚類。
2017-12-04 09:22:510 運(yùn)用社會(huì)力模型（ SFM）模擬人群疏散之前，需要先對(duì)人群進(jìn)行聚類分組；然而，五中心聚類（k-medoids）和統(tǒng)計(jì)信息網(wǎng)格聚類（ STING）這兩大傳統(tǒng)聚類算法，在聚類效率和準(zhǔn)確率上都不能滿足要求
2017-12-03 10:53:040 盡可能歸于一類，而把不相似的樣本劃分到不同的類中。硬聚類把每個(gè)待識(shí)別的對(duì)象嚴(yán)格的劃分某類中，具有非此即彼的性質(zhì)，而模糊聚類建立了樣本對(duì)類別的不確定描述，更能客觀的反應(yīng)客觀世界，從而成為聚類分析的主流。
2017-12-01 14:26:0248589 
模糊C均值聚類算法在數(shù)據(jù)挖掘領(lǐng)域有著廣泛的使用背景，而對(duì)初始點(diǎn)的敏感和較差的搜索能力，限制了算法的進(jìn)一步推廣應(yīng)用。人工蜂群算法具有對(duì)初始點(diǎn)不敏感、適應(yīng)能力強(qiáng)和搜索能力強(qiáng)等優(yōu)點(diǎn)，并且針對(duì)人工蜂群算法
2017-11-29 17:22:210 針對(duì)傳統(tǒng)圖轉(zhuǎn)導(dǎo)（ GT）算法計(jì)算量大并且準(zhǔn)確率不高的問題，提出一個(gè)基于C均值聚類和圖轉(zhuǎn)導(dǎo)的半監(jiān)督分類算法。首先，采用模糊C均值（FCM）聚類算法先對(duì)未標(biāo)記樣本預(yù)選取，縮小圖轉(zhuǎn)導(dǎo)算法構(gòu)圖數(shù)據(jù)集的范圍
2017-11-28 16:36:120 針對(duì)核模糊C均值（ KFCM）算法對(duì)初始聚類中心敏感、易陷入局部最優(yōu)的問題，利用人工蜂群（ABC）算法的構(gòu)架簡單、全局收斂速度快的優(yōu)勢(shì)，提出了一種改進(jìn)的人工蜂群算法（ IABC）與KFCM迭代相結(jié)合
2017-11-28 16:14:040 針對(duì)傳統(tǒng)的K-means算法無法預(yù)先明確聚類數(shù)目，對(duì)初始聚類中心選取敏感且易受離群孤點(diǎn)影響導(dǎo)致聚類結(jié)果穩(wěn)定性和準(zhǔn)確性欠佳的問題，提出一種改進(jìn)的基于密度的K-means算法。該算法首先基于軌跡數(shù)據(jù)分布
2017-11-25 11:35:380 針對(duì)套用傳統(tǒng)的聚類方法對(duì)數(shù)據(jù)流的聚類是行不通的這一問題，提出一種以遺傳模擬退火算法為基礎(chǔ)的模糊C均值聚類算法（SACA_FCM）對(duì)數(shù)據(jù)流進(jìn)行聚類。SACAFCM算法有效地避免了傳統(tǒng)的模糊C均值聚類
2017-11-22 11:51:139 CFSFDP是基于密度的新型聚類算法，可聚類非球形數(shù)據(jù)集，具有聚類速度快、實(shí)現(xiàn)簡單等優(yōu)點(diǎn)。然而該算法在指定全局密度閾值d時(shí)未考慮數(shù)據(jù)空間分布特性，導(dǎo)致聚類質(zhì)量下降，且無法對(duì)多密度峰值的數(shù)據(jù)集準(zhǔn)確聚類
2017-11-21 15:08:5715 傳統(tǒng)kmeans算法由于初始聚類中心的選擇是隨機(jī)的，因此會(huì)使聚類結(jié)果不穩(wěn)定。針對(duì)這個(gè)問題，提出一種基于離散量改進(jìn)k-means初始聚類中心選擇的算法。算法首先將所有對(duì)象作為一個(gè)大類，然后不斷從對(duì)象
2017-11-20 10:03:232 為解決傳統(tǒng)BIRCH算法對(duì)數(shù)據(jù)對(duì)象輸入順序敏感、聚類結(jié)果不穩(wěn)定的問題，提出了一種改進(jìn)的BIRCH算法。該算法將雷達(dá)信號(hào)偵察數(shù)據(jù)的脈沖載頻、脈沖重復(fù)間隔和脈沖寬度分別進(jìn)行聚類，根據(jù)工程應(yīng)用中各參數(shù)
2017-11-10 15:52:181 為了提高WSN節(jié)點(diǎn)定位精度，針對(duì)測(cè)距誤差對(duì)定位結(jié)果的影響，提出基于模糊C均值聚類的定位算法。算法首先利用多邊定位算法得到若干個(gè)定位結(jié)果，利用模糊C均值聚類算法對(duì)定位結(jié)果進(jìn)行聚類分析，然后，根據(jù)聚類
2017-11-09 17:47:1310 在數(shù)據(jù)挖掘算法中，K均值聚類算法是一種比較常見的無監(jiān)督學(xué)習(xí)方法，簇間數(shù)據(jù)對(duì)象越相異，簇內(nèi)數(shù)據(jù)對(duì)象越相似，說明該聚類效果越好。然而，簇個(gè)數(shù)的選取通常是由有經(jīng)驗(yàn)的用戶預(yù)先進(jìn)行設(shè)定的參數(shù)。本文提出了一種
2017-11-03 16:13:0512 馬爾科夫聚類算法（ Markov Cluster Algorithm，MCL）是一種快速且可擴(kuò)展的無監(jiān)督圖聚類算法，Chameleon是一種新的層次聚類算法。但MCL由于過擬合會(huì)產(chǎn)生很多小聚類
2017-10-31 18:58:212 。提出一種基于優(yōu)化粒子群算法的云存儲(chǔ)中大數(shù)據(jù)優(yōu)化聚類算法，進(jìn)行了云存儲(chǔ)大數(shù)據(jù)聚類的原理分析，在傳統(tǒng)的模糊C均值聚類的基礎(chǔ)上，采用粒子群聚類算法進(jìn)行大數(shù)據(jù)聚類算法改進(jìn)設(shè)計(jì)，把數(shù)據(jù)的分割轉(zhuǎn)化為對(duì)空間的分割，得到
2017-10-28 12:46:531 聚類分析計(jì)算方法主要有如下幾種：劃分法、層次法、密度算法、圖論聚類法、網(wǎng)格算法和模型算法。劃分法（partitioning methods），給定一個(gè)有N個(gè)元組或者紀(jì)錄的數(shù)據(jù)集，分裂法將構(gòu)造K個(gè)分組，每一個(gè)分組就代表一個(gè)聚類，K《N。
2017-10-25 19:18:34165890 
鑒于主元分析法的降維特性和模糊C均值聚類算法良好的分類性能，本文在丙烯睛反應(yīng)器操作參數(shù)的優(yōu)化中，結(jié)合這兩種方法，將主元分析處理后的數(shù)據(jù)作為新的樣本輸入，利用模糊C均值聚類算法進(jìn)行優(yōu)化操作。
2017-09-08 15:48:039 基于加速k均值的譜聚類圖像分割算法改進(jìn)_李昌興
2017-03-19 19:25:560 基于改進(jìn)K_means聚類的欠定盲分離算法_柴文標(biāo)
2017-03-17 10:31:390 基于PCA的H_K聚類算法研究_何瑩
2017-03-17 08:00:000 基于SVD的K_means聚類協(xié)同過濾算法_王偉
2017-03-17 08:00:000 基于改進(jìn)K均值聚類的機(jī)械故障智能檢測(cè)_費(fèi)賢舉
2017-02-08 01:57:370 特征加權(quán)和優(yōu)化劃分的模糊C均值聚類算法_肖林云
2017-01-07 21:39:440 混合細(xì)菌覓食和粒子群的k_means聚類算法_閆婷
2017-01-07 19:00:390 基于聚類中心優(yōu)化的k_means最佳聚類數(shù)確定方法_賈瑞玉
2017-01-07 18:56:130 基于AutoEncoder的增量式聚類算法_原旭
2017-01-03 17:41:320 基于最小生成樹的層次K_means聚類算法_賈瑞玉
2017-01-03 15:24:455 模糊C-均值聚類算法是一種無監(jiān)督圖像分割技術(shù)，但存在著初始隸屬度矩陣隨機(jī)選取的影響，可能收斂到局部最優(yōu)解的缺點(diǎn)。提出了一種粒子群優(yōu)化與模糊C-均值聚類相結(jié)合的圖像分割算
2012-10-16 16:07:0621 介紹了K-means 聚類算法的目標(biāo)函數(shù)、算法流程，并列舉了一個(gè)實(shí)例，指出了數(shù)據(jù)子集的數(shù)目K、初始聚類中心選取、相似性度量和距離矩陣為K-means聚類算法的3個(gè)基本參數(shù)。總結(jié)了K-means聚
2012-05-07 14:09:1427 針對(duì)數(shù)據(jù)在性態(tài)和類屬方面存在不確定性的特點(diǎn)，提出一種基于模糊C 均值聚類的數(shù)據(jù)流入侵檢測(cè)算法，該算法首先利用增量聚類得到網(wǎng)絡(luò)數(shù)據(jù)的概要信息和類數(shù)，然后利用模糊C均值聚
2012-03-20 10:29:2135 聚類算法及聚類融合算法研究首先對(duì) 聚類算法 的特點(diǎn)進(jìn)行了分析，然后對(duì)聚類融合算法進(jìn)行了挖掘。最后得出聚類融合算法比聚類算法更能得到很好的聚合效果。
2011-08-10 15:08:0233 傳統(tǒng)無線傳感網(wǎng)一般由大量密集的傳感器節(jié)點(diǎn)構(gòu)成，存在節(jié)點(diǎn)計(jì)算能力、能源和帶寬都非常有限的缺點(diǎn)，為了有效節(jié)能、延長網(wǎng)絡(luò)壽命，介紹了基于聚類的K均值算法。該算法通過生成的
2011-04-12 18:16:5449 該文針對(duì)聚類問題上缺乏骨架研究成果的現(xiàn)狀，分析了聚類問題的近似骨架特征，設(shè)計(jì)并實(shí)現(xiàn)了近似骨架導(dǎo)向的歸約聚類算法。該算法的基本思想是：首先利用現(xiàn)有的啟發(fā)式聚類算
2010-02-10 11:48:095 該文針對(duì)K 均值聚類算法存在的缺點(diǎn)，提出一種改進(jìn)的粒子群優(yōu)化(PSO)和K 均值混合聚類算法。該算法在運(yùn)行過程中通過引入小概率隨機(jī)變異操作增強(qiáng)種群的多樣性，提高了混合聚類
2010-02-09 14:21:2610 文本聚類是中文文本挖掘中的一種重要分析方法。K 均值聚類算法是目前最為常用的文本聚類算法之一。但此算法在處理高維、稀疏數(shù)據(jù)集等問題時(shí)存在一些不足，且對(duì)初始聚類
2010-01-15 14:24:4610 本文通過對(duì)常用動(dòng)態(tài)聚類方法的分析，提出了基于“約簡-優(yōu)化”原理的兩階段動(dòng)態(tài)聚類算法的框架，此方法克服了動(dòng)態(tài)聚類搜索空間過大的問題，提高了聚類的精度和效率。
2010-01-09 11:31:1412 針對(duì)二叉樹支持向量機(jī)在多類分類問題上存在的不足，利用粒子群算法對(duì)模糊C 均值聚類算法進(jìn)行了改進(jìn)，在此基礎(chǔ)上，結(jié)合二叉樹支持向量機(jī)，構(gòu)建了偏二叉樹多類分類算法。
2009-12-18 16:36:1612 聚類算法研究:對(duì)近年來聚類算法的研究現(xiàn)狀與新進(jìn)展進(jìn)行歸納總結(jié).一方面對(duì)近年來提出的較有代表性的聚類算法,從算法思想、關(guān)鍵技術(shù)和優(yōu)缺點(diǎn)等方面進(jìn)行分析概括;另一方面選擇
2009-10-31 08:57:2414 基于關(guān)聯(lián)規(guī)則與聚類算法的查詢擴(kuò)展算法:針對(duì)信息檢索中查詢關(guān)鍵詞與文檔用詞不匹配的問題，提出一種基于關(guān)聯(lián)規(guī)則與聚類算法的查詢擴(kuò)展算法。該算法在第1 階段對(duì)初始查
2009-10-17 23:00:3312 針對(duì)模糊C-均值(FCM)算法不能很好地處理更新數(shù)據(jù)的缺點(diǎn)，提出基于FCM 的自適應(yīng)增量式聚類算法AIFCM。該算法結(jié)合密度和集合的思想，給出一種自動(dòng)確定聚類初始中心的方法，能在
2009-10-04 14:09:0911 Web文檔聚類中k-means算法的改進(jìn)
介紹了Web文檔聚類中普遍使用的、基于分割的k-means算法,分析了k-means算法所使用的向量空間模型和基于距離的相似性度量的局限性,從而
2009-09-19 09:17:03913 
針對(duì)CRM 客戶分類，提出模擬退火算法與K 均值算法相結(jié)合的聚類算法。利用模擬退火算法全局尋優(yōu)能力改變k 均值算法易陷入局部極值的缺點(diǎn)。經(jīng)標(biāo)準(zhǔn)數(shù)據(jù)集檢驗(yàn)，證明算法有效
2009-09-15 16:16:378 目前應(yīng)用最廣泛的模糊聚類算法是基于目標(biāo)函數(shù)的模糊k-均值算法，針對(duì)該算法存在的缺點(diǎn)，本文提出一種改進(jìn)的聚類算法，利用遺傳算法的全局優(yōu)化的特點(diǎn)，在能夠在正確獲得
2009-09-07 15:35:428 提出了一種多密度網(wǎng)格聚類算法GDD。該算法主要采用密度閾值遞減的多階段聚類技術(shù)提取不同密度的聚類，使用邊界點(diǎn)處理技術(shù)提高聚類精度，同時(shí)對(duì)聚類結(jié)果進(jìn)行了人工干預(yù)。G
2009-08-27 14:35:5811 通過比較入侵檢測(cè)和人工免疫兩個(gè)系統(tǒng)間的相似性，提出了一種基于人工免疫原理的入侵檢測(cè)系統(tǒng)模型。運(yùn)用K均值算法對(duì)人工免疫系統(tǒng)中的抗原和抗體進(jìn)行聚類，對(duì)該算法進(jìn)行了
2009-08-04 09:33:0018 K-均值算法是一種基于樣本間相似性度量的間接聚類方法。本文研究和探索K-均值方法在巖相識(shí)別中的應(yīng)用。在求樣本間的距離時(shí)，采用馬氏(Mahalanobis)距離代替歐氏距離。關(guān)鍵詞
2009-07-08 08:56:565 傳統(tǒng)K均值算法對(duì)初始聚類中心敏感，聚類結(jié)果隨不同的初始輸入而波動(dòng)，容易陷入局部最優(yōu)值。針對(duì)上述問題，該文提出一種基于遺傳算法的K均值聚類算法，將K均值算法的局部尋
2009-04-13 09:59:2222 提出了一種新的層次聚類算法，先對(duì)數(shù)據(jù)集進(jìn)行采樣，以采樣點(diǎn)為中心吸收鄰域內(nèi)的數(shù)據(jù)點(diǎn)形成子簇，再根據(jù)子簇是否相交實(shí)現(xiàn)層次聚類。在層次聚類過程中，重新定義了簇與簇
2009-03-03 11:48:1919
電子發(fā)燒友App
工商網(wǎng)監(jiān)
評(píng)論