機(jī)器學(xué)習(xí)算法總結(jié) 機(jī)器學(xué)習(xí)算法是什么?機(jī)器學(xué)習(xí)算法優(yōu)缺點(diǎn)? 機(jī)器學(xué)習(xí)算法總結(jié) 機(jī)器學(xué)習(xí)算法是一種能夠從數(shù)據(jù)中自動學(xué)習(xí)的算法。它能夠從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)特征，進(jìn)而對未知數(shù)據(jù)進(jìn)行分類、回歸、聚類等任務(wù)。通過
2023-08-17 16:11:50
360 有許多聚類算法可供選擇，對于所有情況，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 中安裝和使用頂級聚類算法。
2023-05-22 09:13:55171 
作者：凱魯嘎吉來源：博客園這篇文章對現(xiàn)有的深度聚類算法進(jìn)行全面綜述與總結(jié)?，F(xiàn)有的深度聚類算法大都由聚類損失與網(wǎng)絡(luò)損失兩部分構(gòu)成，博客從兩個視角總結(jié)現(xiàn)有的深度聚類算法，即聚類模型與神經(jīng)網(wǎng)絡(luò)模型。1.
2023-01-13 11:11:52290 
無刷電機(jī)和有刷電機(jī)有哪些優(yōu)缺點(diǎn)？接下來簡單介紹一下。
2022-01-27 11:36:0051142 ，并從優(yōu)中擇優(yōu)。但是每次都進(jìn)行這一操作不免過于繁瑣，下面小編來分析下各個算法的優(yōu)缺點(diǎn)，以助大家有針對性地進(jìn)行選擇，解決問題。1.樸素貝葉斯樸素貝葉斯的思想十分簡單，對于給出的待分類項，求出在此項出現(xiàn)
2017-12-02 15:40:40
蘋果13promax優(yōu)缺點(diǎn)有哪些
2021-09-18 15:21:3134054 小米mix4優(yōu)缺點(diǎn)有哪些？
2021-08-11 10:58:5615321 基于特征和實例遷移的加權(quán)多任務(wù)聚類算法
2021-06-07 15:18:35
3 當(dāng)前推薦系統(tǒng)多數(shù)存在推薦準(zhǔn)確性低、受稀疏性影響大且穩(wěn)定性差的問題，因此，在 Collus聚類算法的基礎(chǔ)上，提出一種評分矩陣與聯(lián)合聚類的推薦算法。通過 Collus聯(lián)合聚類，利用圖模塊度最化理論分別
2021-06-03 11:01:202 針對含有噪聲的高維數(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，對各個聚類簇進(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">算法對用戶進(jìn)行細(xì)分，針對用戶群特點(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 Canopy算法
2021-04-28 11:44:352 針對 DBSCAN（ Density- ba<x>sed Spatial Clustering of Applications with Noise）聚類算法內(nèi)存占用率較高的問題，文中
2021-04-26 15:14:499 基礎(chǔ)聚類成員預(yù)處理是聚類集成算法中的一個重要研究步驟。眾多研究表明，基礎(chǔ)聚類成員集合的差異性會影響聚類集成算法性能。當(dāng)前聚類集成研究圍繞著生成基礎(chǔ)聚類和優(yōu)化集成策略展開，而針對基礎(chǔ)聚類成員的差異性
2021-04-20 10:53:048 為解決傳統(tǒng)聚類算法多數(shù)需要預(yù)先設(shè)定聚類參數(shù)且無法有效識別異常點(diǎn)和噪聲點(diǎn)的問題，提出一種自適應(yīng)的關(guān)聯(lián)融合聚類算法。采用自然近鄰搜索算法計算數(shù)據(jù)集的密度分布，篩選出具有數(shù)據(jù)結(jié)構(gòu)信息的代表核點(diǎn)，并排
2021-04-01 16:16:4913 協(xié)同過濾算法由于推薦效果良好，而被廣泛應(yīng)用于推薦領(lǐng)域，但其在數(shù)據(jù)稀疏及冷啟動的情況下會導(dǎo)致推薦效果明顯下降。在數(shù)據(jù)稀疏情況下，為充分利用用戶的歷史信息以提髙算法的推薦精度，提出一種改進(jìn)的聚類聯(lián)合相似
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，由于只需要計算數(shù)據(jù)點(diǎn)與劇類中心的距離，其計算復(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 無人機(jī)在近幾年發(fā)展迅速很多領(lǐng)域應(yīng)用到其特點(diǎn)，為某些行業(yè)應(yīng)用打開的便捷的大門，那么無人機(jī)到底有什么優(yōu)缺點(diǎn)呢，今天就來說說無人機(jī)的優(yōu)缺點(diǎn)。
2020-01-29 11:17:0067427 物聯(lián)網(wǎng)應(yīng)用已經(jīng)深入我們生活，方方面面都能出現(xiàn)物聯(lián)網(wǎng)項目應(yīng)用。那么，物聯(lián)網(wǎng)無線連接技術(shù)有哪些呢？本文以6類無線技術(shù)為例，深刻分析各類優(yōu)缺點(diǎn)。
2019-01-21 10:00:195043 中心對象；最后，依據(jù)對象到各個中心的距離將各個對象分配到相應(yīng)聚類中心實現(xiàn)聚類。所提算法克服了算法需要憑借經(jīng)驗參數(shù)和人工選取聚類中心的缺點(diǎn)。在人工數(shù)據(jù)集和真實數(shù)據(jù)集上的實驗結(jié)果表明，與經(jīng)典的具有噪聲的基于密度的聚類方
2019-01-03 15:36:2412 針對多數(shù)據(jù)源或異構(gòu)數(shù)據(jù)集，采用單個核函數(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 算法，未考慮各個屬性對于最終聚類結(jié)果的影響差異性，這使得聚類的精度有一定的影響。針對上述問題，本文提出一種改進(jìn)的特征加權(quán)算法。改進(jìn)算法通過采用信息熵和ReliefF特征選擇算法對特征進(jìn)行加權(quán)選擇，修正聚類對象間的距離函數(shù)，使算法達(dá)到
2018-12-20 10:28:2910 針對傳統(tǒng)的聚類算法存在隱私泄露的風(fēng)險，提出一種基于差分隱私保護(hù)的譜聚類算法。該算法基于差分隱私模型，利用累計分布函數(shù)生成滿足拉普拉斯分布的隨機(jī)噪聲，將該噪聲添加到經(jīng)過譜聚類算法計算的樣本相似度的函數(shù)
2018-12-14 10:54:2610 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)集與實際數(shù)據(jù)集上進(jìn)行的實驗結(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 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 
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 
相關(guān)研究領(lǐng)域的廣泛關(guān)注。因此，多位學(xué)者對如何將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 傳統(tǒng)數(shù)據(jù)流聚類算法大多基于距離或密度，聚類質(zhì)量和處理效率都不高。針對以上問題，提出了一種基于關(guān)聯(lián)函數(shù)的數(shù)據(jù)流聚類算法。首先，將數(shù)據(jù)點(diǎn)以物元的形式模型化，建立解決問題所需要的關(guān)聯(lián)函數(shù)；其次，計算關(guān)聯(lián)
2018-02-10 11:54:340 針對譜聚類算法在解決高維、大數(shù)據(jù)量的聚類問題時出現(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 識別的聚類算法來彌補(bǔ)這個缺失．利用數(shù)據(jù)對象及其相似度構(gòu)建帶權(quán)重的數(shù)據(jù)對象相似圖，聚類過程中，利用相似圖上重啟式隨機(jī)游走來動態(tài)地計算類簇與結(jié)點(diǎn)的相似度．聚類的基本邏輯是，類簇迭代地吸收離它最近的結(jié)點(diǎn)．提出數(shù)
2018-01-09 15:52:510 通過對基于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，針對原填充算法需要提前輸入聚類個數(shù)這一缺點(diǎn)，設(shè)計了改進(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)匱乏的場景下，傳統(tǒng)聚類算法的性能往往會下降，在該場景下，通過抽取源域中的有用知識用于指導(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，著重對給出評價對象的具有相似知識水平的專家進(jìn)行聚類，同時討論了算法的計算復(fù)雜度。最后通過實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 聚類作為無監(jiān)督學(xué)習(xí)技術(shù)，已在實際中得到了廣泛的應(yīng)用，但是對于帶有噪聲的數(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聚類算法（CDD
2017-12-18 11:16:570 針對傳統(tǒng)的聚類算法對數(shù)據(jù)集反復(fù)聚類，且在大型數(shù)據(jù)集上計算效率欠佳的問題，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，對計算
2017-12-17 11:27:400 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)，對傳統(tǒng)的相似性測度
2017-12-07 14:53:033 B型心臟超聲圖像分割是計算心功能參數(shù)前重要的一步。針對超聲圖像的低分辨率影響分割精度及基于模型的分割算法需要大樣本訓(xùn)練集的問題，結(jié)合B型心臟超聲圖像的先驗知識，提出了一種基于像素聚類進(jìn)行圖像分割
2017-12-06 16:44:110 針對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)，缺少對時間特征的度量，提出了一種基于時空模式的軌跡數(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方法提取軌跡特征點(diǎn)；然后根據(jù)
2017-12-05 14:07:580 針對數(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 運(yùn)用社會力模型（ SFM）模擬人群疏散之前，需要先對人群進(jìn)行聚類分組；然而，五中心聚類（k-medoids）和統(tǒng)計信息網(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 K-means算法是最簡單的一種聚類算法。算法的目的是使各個樣本與所在類均值的誤差平方和達(dá)到最?。ㄟ@也是評價K-means算法最后聚類效果的評價標(biāo)準(zhǔn)）
2017-12-01 14:07:3319244 
針對傳統(tǒng)圖轉(zhuǎn)導(dǎo)（ GT）算法計算量大并且準(zhǔn)確率不高的問題，提出一個基于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 針對傳統(tǒng)的K-means算法無法預(yù)先明確聚類數(shù)目，對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 和Wine數(shù)據(jù)集上將其與FCM、KMEANS算法進(jìn)行比較實驗。實驗結(jié)果表明，SDSCM在評價指標(biāo)語義強(qiáng)度期望上高于FCM、KMEANS l%～5%。SDSCM的SPT指標(biāo)低于FCM、KMEANS，算法的類間分離度有待提高。SDSCM較好地解決了傳統(tǒng)減法聚類人工輸入?yún)?shù)1和2帶來的弊端，并給出了更貼近用戶給定
2017-11-25 10:45:420 針對現(xiàn)有模糊聚類方法僅僅是對已有數(shù)據(jù)點(diǎn)的聚類的不足，提出了在已有數(shù)據(jù)集的基礎(chǔ)上找到新的一類集群的聚類方法CFCM。該算法在FCM算法的基礎(chǔ)上，通過引入觀測點(diǎn)P作為聚類的先驗知識，來大致確定未知集群
2017-11-22 17:25:140 預(yù)測子空間聚類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)致在面對帶有強(qiáng)噪聲的數(shù)據(jù)時，聚類性能受到嚴(yán)重影響。為了提高PSC算法對噪聲的魯棒性，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 針對套用傳統(tǒng)的聚類方法對數(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 。針對以上缺點(diǎn)，提出基于網(wǎng)格分區(qū)的CFSFDP（簡稱GbCFSFDP）聚類算法。該算法利用網(wǎng)格分區(qū)方法將數(shù)據(jù)集進(jìn)行分區(qū)，并對各分區(qū)進(jìn)行局部聚類，避免使用全局矗。，然后進(jìn)行子類合并，實現(xiàn)對數(shù)據(jù)密度與類間距分布不均勻及多密度峰值的數(shù)據(jù)集
2017-11-21 15:08:5715 為解決傳統(tǒng)BIRCH算法對數(shù)據(jù)對象輸入順序敏感、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，針對測距誤差對定位結(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定位結(jié)果，利用模糊C均值聚類算法對定位結(jié)果進(jìn)行聚類分析，然后，根據(jù)聚類
2017-11-09 17:47:1310 針對基于模糊c均值聚類（ FCM）的圖像分割算法僅利用像素的灰度信息、噪聲抑制不理想、算法魯棒性不高的問題，提出了一種基于像素鄰域信息約束的FCM圖像分割算法。該算法在模糊目標(biāo)函數(shù)中引入鄰域信息約束
2017-11-06 16:27:328 將物理或抽象對象的集合分成由類似的對象組成的多個類的過程被稱為聚類。由聚類所生成的簇是一組數(shù)據(jù)對象的集合，這些對象與同一個簇中的對象彼此相似，與其他簇中的對象相異。
2017-11-03 09:18:4815137 
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由于過擬合會產(chǎn)生很多小聚類
2017-10-31 18:58:212 聚類分析計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），給定一個有N個元組或者紀(jì)錄的數(shù)據(jù)集，分裂法將構(gòu)造K個分組，每一個分組就代表一個聚類，K《N。
2017-10-25 19:18:34165890 
模糊C均值（Fuzzy C-means）算法簡稱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 基于細(xì)菌覓食的FCM聚類算法_胡紹方
2017-03-04 18:03:510 基于AutoEncoder的增量式聚類算法_原旭
2017-01-03 17:41:320 介紹了K-means 聚類算法的目標(biāo)函數(shù)、算法流程，并列舉了一個實例，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個基本參數(shù)?？偨Y(jié)了K-means聚
2012-05-07 14:09:1427 介紹了一種基于FCM 算法(Fuzzy cmeans algorithm)的彩色血液細(xì)胞圖像分割新方法。通過將原始血液顯微圖像轉(zhuǎn)換為索引圖像再對顏色映射表矩陣做模糊聚類來回避直接對像素值聚類，大大壓縮
2011-09-28 13:59:2018 聚類算法及聚類融合算法研究首先對 聚類算法 的特點(diǎn)進(jìn)行了分析，然后對聚類融合算法進(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 一種改進(jìn)的FCM聚類算法及其在赤潮預(yù)測中的應(yīng)用:針對傳統(tǒng)ＦＣＭ算法的不足，文中提出了一種改進(jìn)的ＦＣＭ算法，利用樣本與聚類中心相似關(guān)系確定各樣本對聚類中心的影響系
2010-03-15 15:38:3426 該文針對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)計并實現(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 本文通過對常用動態(tài)聚類方法的分析，提出了基于“約簡-優(yōu)化”原理的兩階段動態(tài)聚類算法的框架，此方法克服了動態(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 階段對初始查
2009-10-17 23:00:3312 針對模糊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，給出一種自動確定聚類初始中心的方法，能在
2009-10-04 14:09:0911 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，同時對聚類結(jié)果進(jìn)行了人工干預(yù)。G
2009-08-27 14:35:5811 支持向量聚類（SVC）是在支持向量機(jī)的思想上發(fā)展而來一種聚類方法，針對其處理大規(guī)模數(shù)據(jù)集速度緩慢的缺點(diǎn)，提出了一種改進(jìn)的分塊支持向量聚類算法。改進(jìn)的算法分為三個階
2009-05-26 14:59:0032 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 提出了一種新的層次聚類算法，先對數(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)
評論