基于改進核模糊C均值類間極大化聚類MKFCM算法
大?。?/span>0.86 MB 人氣： 2017-12-15 需要積分：1
傳統(tǒng)的核聚類僅考慮了類內(nèi)元素的關系而忽略了類間的關系，對邊界模糊或邊界存在噪聲點的數(shù)據(jù)集進行聚類分析時，會造成邊界點的誤分問題。為解決上述問題，在核模糊C均值（ KFCM）聚類算法的基礎上提出了一種基于改進核模糊C均值類間極大化聚類（ MKFCM）算法。該算法考慮了類內(nèi)元素和類間元素的聯(lián)系，引入了高維特征空間的類間極大懲罰項和調(diào)控因子，拉大類中心間的距離，使得邊界處的樣本得到了較好的劃分。在各模擬數(shù)據(jù)集的實驗中，該算法在類中心的偏移距離相對其他算法均有明顯降低。在人造高斯數(shù)據(jù)集的實驗中，該算法的精度（ACC）、歸一化互信息（NMI）、芮氏指標（RI）指標分別提升至0.9132，0.7575，0.9138。
?
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
基于改進核模糊C均值類間極大化聚類MKFCM算法下載
相關電子資料下載
- 基于K-means聚類算法的圖像分割 1113
- 介紹一種基于最小化平方誤差的聚類算法 498
- 如何在 Python 中安裝和使用頂級聚類算法 415
- 10種聚類算法和Python代碼4 1118
- 10種聚類算法和Python代碼3 960
- 10種聚類算法和Python代碼2 796
- 10種聚類算法和Python代碼1 644
- YOLOv5中的autoanchor.py代碼解析 1242
- 視覺新范式！COCs：將圖像視為點集 636
- 10種頂流聚類算法Python實現(xiàn)（附完整代碼） 989