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** 。文末提供`<span>jupyter notebook</span>`的完整代碼獲取方式。
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。
2023-02-20 13:57:59596 
分享一篇關(guān)于聚類的文章： **10種聚類算法和Python代碼** 。文末提供`<span>jupyter notebook</span>`的完整代碼獲取方式。
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。
2023-02-20 13:57:55491 
分享一篇關(guān)于聚類的文章： **10種聚類算法和Python代碼** 。文末提供`<span>jupyter notebook</span>`的完整代碼獲取方式。
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。
2023-02-20 13:57:51438 
分享一篇關(guān)于聚類的文章： **10種聚類算法和Python代碼** 。文末提供`<span>jupyter notebook</span>`的完整代碼獲取方式。
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。
2023-02-20 13:57:47322 
基于稀疏高維大數(shù)據(jù)的增量模糊聚類算法
2021-06-25 15:49:57
10 多目標(biāo)優(yōu)化算法在復(fù)雜網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)中具有很強(qiáng)的競(jìng)爭(zhēng)力，然而，在處理社區(qū)結(jié)構(gòu)較為模糊、網(wǎng)絡(luò)數(shù)據(jù)規(guī)模大的問題時(shí)難以得到滿意的效果。為克服現(xiàn)有多目標(biāo)方法的不足，提岀一種基于譜聚類的多目標(biāo)復(fù)雜網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)算法
2021-06-17 15:02:3511 為對(duì)包含數(shù)值和名詞屬性的混合數(shù)據(jù)集進(jìn)行定性組合聚類分析，提出一種基于模糊優(yōu)勢(shì)關(guān)系的粗糙聚類定性組合算法f-QRD。根據(jù)混合數(shù)據(jù)集的不同屬性分別進(jìn)行聚類并計(jì)算類簇之間的模糊優(yōu)勢(shì)關(guān)系，為避免組合后的類簇
2021-06-11 10:38:225 避免先前基于例子的音頻檢索要按照監(jiān)督機(jī)制訓(xùn)練不同類別的復(fù)雜的音頻模板，直接從原始音頻流中提取壓縮域特征，使用時(shí)空約束機(jī)制進(jìn)行壓縮域特征的模糊聚類，用聚類結(jié)果的質(zhì)心來表征整個(gè)音頻例子，基于聚類質(zhì)心完成
2011-03-06 22:10:01
面向SNP的模糊聚類算法及研究綜述
2021-06-08 15:46:456 基于模糊C均值聚類的軟件多缺陷定位方法
2021-06-02 14:38:416 Problem， MMTSP），文中提出了一種模糊C均值聚類單親遺傳算法。該算法首先采用模糊C均值聚類方法將所有城市按照隸屬度分成若干類，然后對(duì)應(yīng)毎個(gè)類建立一個(gè)旅行商問題，并通過一種改進(jìn)的單親遺傳算法對(duì)旅行商問題進(jìn)行求解，最后將各個(gè)類的結(jié)果綜合作為 MMTSP的解。所提算法采用先聚類再執(zhí)行遺傳操作
2021-05-29 15:23:363 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 為輔助銀行機(jī)構(gòu)進(jìn)行精準(zhǔn)的服務(wù)推薦，提出了基于改進(jìn)的Caηopy和共享最近鄰相似度的聚類算法?；谠?b style="color: red">算法對(duì)用戶進(jìn)行細(xì)分，針對(duì)用戶群特點(diǎn)進(jìn)行精準(zhǔn)服務(wù)推薦。該算法首先采用最大值和最小值對(duì) Canopy算法
2021-04-28 11:44:352 將改進(jìn)的 DBSCAN聚類算法與 Spark平臺(tái)并行聚類計(jì)算理論相結(jié)合，對(duì)海量數(shù)據(jù)采用分而治之的辦法進(jìn)行聚類處理，大幅減小了算法對(duì)內(nèi)存的占用率。實(shí)驗(yàn)仿真結(jié)果表明，所提出的并行計(jì)算方法能夠有效緩解內(nèi)存不足的問題，并且該方法也能夠用來評(píng)價(jià) DBSCAN聚類算法在Hadoφ平臺(tái)下的聚類分析效果，還能對(duì)兩種聚類
2021-04-26 15:14:499 數(shù)據(jù)聚類在數(shù)據(jù)挖掘、數(shù)據(jù)分析中廣泛應(yīng)用，而不完整數(shù)據(jù)對(duì)數(shù)據(jù)聚類造成了很大困擾。針對(duì)不完整數(shù)據(jù)聚類中估值法填補(bǔ)缺失屬性不準(zhǔn)確的問題，提岀動(dòng)態(tài)區(qū)間的加權(quán)模糊聚類算法。首先，由屬性相關(guān)度構(gòu)造缺失屬性的最近
2021-04-13 11:09:464 傳統(tǒng)的軟子空間聚類算法在對(duì)信息量大、強(qiáng)度不均勻、邊界模糊的乳腺M(fèi)R圖像進(jìn)行分割時(shí)，易受初始聚類中心和噪聲數(shù)據(jù)的影響，導(dǎo)致算法陷入局部最優(yōu)，造成誤分類。針對(duì)該問題，提出一種頭腦風(fēng)暴算法優(yōu)化的乳腺M(fèi)R
2021-04-11 11:22:067 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 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 針對(duì)骨干粒子群優(yōu)化（ BBPSO）算法易陷入局部最優(yōu)、收斂速度低等問題，提出了基于核模糊聚類的動(dòng)態(tài)多子群協(xié)作骨干粒子群優(yōu)化（ KFC-MSBPSO）算法。該算法在標(biāo)準(zhǔn)骨干粒子群算法的基礎(chǔ)上，首先
2019-01-03 09:42:1921 針對(duì)多數(shù)據(jù)源或異構(gòu)數(shù)據(jù)集，采用單個(gè)核函數(shù)的聚類效果不理想的問題，以及考慮到不同屬性對(duì)不同類別重要性的差異，本文提出了一種屬性加權(quán)多核模糊聚類算法（WMKFCM）。該算法將多核模糊聚類算法與屬性加權(quán)核
2018-12-21 15:03:343 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-means
2018-12-20 10:28:2910 數(shù)據(jù)聚類的目標(biāo)優(yōu)化函數(shù)，并定義了優(yōu)化該函數(shù)的期望最大化（ EM）型聚類算法。分析結(jié)果表明，所提算法可以進(jìn)行非均勻數(shù)據(jù)的軟子空間聚類。最后，在合成數(shù)據(jù)集與實(shí)際數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)結(jié)果表明，所提算法有較高的聚類精度，與現(xiàn)有
2018-12-13 10:57:5910 模糊c劃分空間為：即有c個(gè)類，共N個(gè)數(shù)據(jù)（樣本），對(duì)于某一樣本，其在所有類的隸屬度值和為1，對(duì)于某一個(gè)類，所有數(shù)據(jù)的隸屬度值和小于N。
模糊聚類從某種程度上說就是找到聚類中心。
2018-06-15 08:00:0012 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 
以提高電力系統(tǒng)電壓穩(wěn)定裕度為目的，基于模糊聚類方法對(duì)網(wǎng)絡(luò)重構(gòu)進(jìn)行分析。若系統(tǒng)網(wǎng)絡(luò)發(fā)生故障（如某聯(lián)絡(luò)線發(fā)生短路、過載等）或因不確定性問題引起其他網(wǎng)絡(luò)故障，應(yīng)迅速切除。為不影響負(fù)荷供電，需要其他線路替代
2018-03-27 15:09:540 相關(guān)研究領(lǐng)域的廣泛關(guān)注。因此，多位學(xué)者對(duì)如何將FCM算法拓展到直覺模糊領(lǐng)域進(jìn)行了研究，賀正洪將聚類對(duì)象及聚類中心點(diǎn)用直覺模糊集表示，提出基于直覺模糊集合的模糊c均值算法。申曉勇聚類對(duì)象和聚類中心點(diǎn)及兩者間的關(guān)系均推廣到直覺模糊領(lǐng)域，提出了一種基于目標(biāo)函數(shù)的
2018-03-14 10:08:431 面對(duì)結(jié)構(gòu)復(fù)雜的數(shù)據(jù)集，譜聚類是一種靈活而有效的聚類方法，它基于譜圖理論，通過將數(shù)據(jù)點(diǎn)映射到一個(gè)由特征向量構(gòu)成的低維空間，優(yōu)化數(shù)據(jù)的結(jié)構(gòu)，得到令人滿意的聚類結(jié)果，但在譜聚類的過程中，特征分解的計(jì)算復(fù)雜度通常為O（n3），限制了譜聚類算法在大數(shù)據(jù)中的應(yīng)用。
2018-03-01 10:10:170 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 針對(duì)傳統(tǒng)的模糊聚類算法大都針對(duì)單一目標(biāo)函數(shù)的優(yōu)化，而無法獲得更全面、更準(zhǔn)確的聚類結(jié)果的問題，提出一種基于改進(jìn)多目標(biāo)螢火蟲優(yōu)化算法的模糊聚類方法。首先在多目標(biāo)螢火蟲算法中引入一種動(dòng)態(tài)調(diào)整的變異機(jī)制以
2018-01-14 11:08:371 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 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 現(xiàn)有的軟子空間聚類算法在分割MR圖像時(shí)易受隨機(jī)噪聲的影響，而且算法因依賴于初始聚類中心的選擇而容易陷入局部最優(yōu)，導(dǎo)致分割效果不理想．針對(duì)這一問題，提出一種基于煙花算法的軟子空間MR圖像聚類算法．算法
2017-12-25 11:43:110 距離相似性原理，建模評(píng)估樣本聚類結(jié)果并去除抽樣聚類結(jié)果的次優(yōu)解；最后，加權(quán)整合評(píng)估得到的聚類結(jié)果得到最終五個(gè)聚類中心，并將這K個(gè)聚類中心作為大數(shù)據(jù)集聚類中心。理論分析和實(shí)驗(yàn)結(jié)果表明，OSCK面向海量數(shù)據(jù)分析相對(duì)于對(duì)比算法具有更好的聚類
2017-12-22 15:47:180 針對(duì)傳統(tǒng)的二分類音頻隱寫分析方法對(duì)未知隱寫方法的適應(yīng)性較差的問題，提出了一種基于模糊C均值（FCM）聚類與單類支持向量機(jī)（OC-SVM）的音頻隱寫分析方法。在訓(xùn)練過程中，首先對(duì)訓(xùn)練音頻進(jìn)行特征提取
2017-12-21 13:30:510 針對(duì)采用傳遞閉包模糊聚類的多雷達(dá)航跡關(guān)聯(lián)算法運(yùn)算量較大的問題，提出了分步的基于模糊聚類的多雷達(dá)航跡關(guān)聯(lián)算法。首先基于歐氏距離對(duì)航跡進(jìn)行預(yù)關(guān)聯(lián)判斷，然后通過模糊相似計(jì)算，簡(jiǎn)化了航跡相似矩陣，進(jìn)而減少
2017-12-18 17:07:220 針對(duì)傳統(tǒng)的聚類算法對(duì)數(shù)據(jù)集反復(fù)聚類，且在大型數(shù)據(jù)集上計(jì)算效率欠佳的問題，提出一種基于層次劃分的最佳聚類數(shù)和初始聚類中心確定算法基于層次劃分密度的聚類優(yōu)化（ CODHD）。該算法基于層次劃分，對(duì)計(jì)算
2017-12-17 11:27:400 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 本文提出了一種新的基于流行距離的譜聚類算法，這是一種新型的聚類分析算法。不僅能夠?qū)θ我獾姆且?guī)則形狀的樣本空間進(jìn)行聚類，而且能獲得全局最優(yōu)解。文章以聚類算法的相似性度量作為切入點(diǎn)，對(duì)傳統(tǒng)的相似性測(cè)度
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 針對(duì)數(shù)據(jù)流的聚類算法，近年來取得了有效的進(jìn)展，出現(xiàn)了許多卓有成效的算法。隨著信息采集技術(shù)的進(jìn)步，需要處理的數(shù)據(jù)量越來越大，需要研究針對(duì)數(shù)據(jù)流的并行聚類算法。本文基于串行的數(shù)據(jù)流聚類算法
2017-12-04 09:22:510 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 
K-means算法是最簡(jiǎn)單的一種聚類算法。算法的目的是使各個(gè)樣本與所在類均值的誤差平方和達(dá)到最?。ㄟ@也是評(píng)價(jià)K-means算法最后聚類效果的評(píng)價(jià)標(biāo)準(zhǔn)）
2017-12-01 14:07:3319244 
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)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(jiǎn)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 核模糊C均值聚類KFCM是利用核函數(shù)將數(shù)據(jù)映射到高維空間，通過計(jì)算數(shù)據(jù)點(diǎn)與聚類中心的隸屬度對(duì)數(shù)據(jù)進(jìn)行聚類的算法，擁有高效、快捷的特點(diǎn)而被廣泛應(yīng)用于各領(lǐng)域，然而KFCM算法存在對(duì)聚類中心的初始值敏感
2017-11-27 15:03:310 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 預(yù)測(cè)子空間聚類PSC算法由于建立在PCA模型下，無法魯棒地進(jìn)行主元分析，導(dǎo)致在面對(duì)帶有強(qiáng)噪聲的數(shù)據(jù)時(shí)，聚類性能受到嚴(yán)重影響。為了提高PSC算法對(duì)噪聲的魯棒性，利用近年來受到廣泛關(guān)注的RPCA分解技術(shù)
2017-11-22 16:53:370 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(jiǎn)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 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 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 模糊C均值（Fuzzy C-means）算法簡(jiǎn)稱FCM算法，是一種基于目標(biāo)函數(shù)的模糊聚類算法，主要用于數(shù)據(jù)的聚類分析。有了模糊集合的概念，一個(gè)元素隸屬于模糊集合就不是硬性的了，在聚類的問題中，可以把
2017-08-28 19:53:5114 特征加權(quán)和優(yōu)化劃分的模糊C均值聚類算法_肖林云
一種擬人聚類算法在PHM聚類分析中的應(yīng)用_賀呈磊
2017-01-07 21:39:440 新的模糊聚類有效性指標(biāo)_趙娜娜
2017-01-07 20:32:200 基于AutoEncoder的增量式聚類算法_原旭
2017-01-03 17:41:320 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)?？偨Y(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 該文指出曹蘇群等人提出的基于模糊Fisher 準(zhǔn)則(FFC)的半模糊聚類算法(FFC-SFCA)中的一個(gè)推導(dǎo)錯(cuò)誤，結(jié)合模糊緊性和分離性(FCS)聚類算法提出新的聚類算法：FFC-FCS。FFC-FCS 充分利用FFC 的
2010-02-10 14:34:1515 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 對(duì)用戶訪問日志數(shù)據(jù)進(jìn)行分析，構(gòu)造會(huì)話-類型矩陣，利用概率潛在語義分析模型建立合適的用戶興趣聚類分析算法，提高用戶興趣聚類精度。實(shí)驗(yàn)結(jié)果驗(yàn)證了該算法的有效性。
2010-01-27 15:39:3819 針對(duì)傳統(tǒng)模糊核聚類在紅外圖像分割方面存在的問題，提出了一種改進(jìn)的模糊核聚類紅外圖像分割算法。在模糊核聚類的基礎(chǔ)上引入了紅外圖像像素點(diǎn)的空間約束關(guān)系和鄰域隸屬
2010-01-15 11:32:2715 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(jiǎn)-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)模糊聚類特征壓縮的特征數(shù)目確定問題，提出了一種改進(jìn)的模糊聚類特征壓縮算法。該算法通過引入聚類有效性函數(shù)，實(shí)現(xiàn)了最優(yōu)特征數(shù)目的自動(dòng)確定。通過模擬電路故障診
2009-12-26 11:22:329 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 云檢測(cè)是遙感圖像處理的一大難點(diǎn)，同時(shí)也是圖像預(yù)處理的必要環(huán)節(jié)。本文使用基于模糊集合理論的模糊C 均值聚類法，對(duì)中分辨率成像光譜儀圖像的四個(gè)波段進(jìn)行聚類，以檢測(cè)
2009-12-16 15:06:2315 為了提高RBF 回歸建模的精度，該文提出了一種基于模糊分組和監(jiān)督聚類的RBF 回歸建模的新方法?；舅枷胧牵菏紫壤帽O(jiān)督聚類將訓(xùn)練樣本模糊劃分為若干子集，然后分別針對(duì)各個(gè)
2009-11-18 14:13:535 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 基于小波包分析的滾動(dòng)軸承模糊聚類方法:用小波包方法構(gòu)造滾動(dòng)軸承狀態(tài)信號(hào)的能量特征向量，通過模糊聚類方法對(duì)滾動(dòng)軸承狀態(tài)進(jìn)行分類，只需少量的樣本數(shù)據(jù)就能獲得較好的分
2009-10-22 16:39:1513 一種多類原型模糊聚類的初始化方法
模糊聚類是非監(jiān)督模式分類的一個(gè)重要分支，在模式識(shí)別和圖像處理中已經(jīng)得到了廣泛的應(yīng)用.但現(xiàn)有模糊聚類算法大都需要聚類數(shù)
2009-10-21 16:02:45849 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 
云檢測(cè)是遙感圖像處理的一大難點(diǎn)，同時(shí)也是圖像預(yù)處理的必要環(huán)節(jié)。本文使用基于模糊集合理論的模糊C 均值聚類法，對(duì)中分辨率成像光譜儀
2009-09-14 10:35:158 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 提出一種基于網(wǎng)格的帶有參考參數(shù)的聚類算法，通過密度閾值數(shù)組的計(jì)算，為用戶提供有效的參考參數(shù)，不但能滿足一般的聚類要求，而且還能將高密度的聚類從低密度的聚類中分
2009-04-23 10:24:359 層次聚類方法是聚類分析的一個(gè)重要方法。該文利用通用搜索樹實(shí)現(xiàn)了一種新的層次聚類算法，可以把整個(gè)聚類過程中形成的樹型結(jié)構(gòu)都保存在硬盤上，支持從宏觀到細(xì)微的分析過
2009-04-23 10:10:5724 任務(wù)調(diào)度是網(wǎng)格研究的核心問題之一，在研究網(wǎng)格任務(wù)調(diào)度問題的基礎(chǔ)上，利用模糊聚類思想提出將網(wǎng)格任務(wù)與資源進(jìn)行混合模糊聚類的網(wǎng)格獨(dú)立任務(wù)調(diào)度算法，該算法將最適合的
2009-04-10 09:27:0714 為了提高模糊支持向量機(jī)在數(shù)據(jù)集上的訓(xùn)練效率，提出一種改進(jìn)的基于密度聚類(DBSCAN)的模糊支持向量機(jī)算法。運(yùn)用DBSCAN算法對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，去除對(duì)分類貢獻(xiàn)小的中心樣本，
2009-03-20 16:21:5612
電子發(fā)燒友App
工商網(wǎng)監(jiān)
評(píng)論