·
搜索结果:找到“聚类”相关结果48376条
排序: 按相关 按相关 按时间降序
  • 【期刊】 K-means聚类算法中聚类个数的方法研究

    刊名:电子设计工程 作者:刘飞 ; 唐雅娟 ; 刘瑶 关键词:聚类个数 ; 初始聚类中心 ; 数据挖掘 机构:汕头大学 ; 汕头大学 ; 电子工程系 年份:2017
    摘要:在数据挖掘算法中,K均值聚类算法是一种比较常见的无监督学习方法,簇间数据对象越相异,簇内数据对象越相似,说明该聚类效果越好.然而,簇个数的选取通常是由有经验的用户预先进行设定的参数.本文提出了一种能够自动确定聚类个数,采用SSE和簇的个数进行度量,提出了一种聚类个数自适应的聚类方法(简称:SKKM).通过UCI数据和仿真数据对象的实验,对SKKM算法进行了验证,实验结果表明改进的算法可以快速的找到数据对象中聚类个数,提高了算法的性能.
  • 【期刊】 针对多聚类中心大数据集的加速K-means聚类算法

    刊名:计算机应用研究 作者:张顺龙 ; 库涛 ; 周浩 关键词:聚类 ; DIACK ; 加速K-means ; 三角定理 机构:中国科学院沈阳自动化研究所 ; 中国科学院沈阳自动化研究所 ; 中国科学院大学 ; 吉化集团吉林市软信技术有限公司 年份:2016
    摘要:随着数据量、数据维度呈指数发展以及实际应用中聚类中心个数的增多,传统的K-means聚类算法已经不能满足实际应用中的时间和内存要求。针对该问题提出了一种基于动态类中心调整和Elkan三角判定思想的加速K-means聚类算法。实验结果证明,当数据规模达到10万条,聚类个数达到20个以上时,本算法相比Elkan算法具有更快的收敛速度和更低的内存开销。
  • 【期刊】 粒计算优化初始聚类中心的K-medoids聚类算法

    刊名:计算机科学与探索 作者:谢娟英 ; 鲁肖肖 ; 屈亚楠 ; 高红超 关键词:粒计算 ; 初始聚类中心 ; 最大最小距离法 ; K-medoids聚类算法 机构:陕西师范大学计算机科学学院 ; 陕西师范大学计算机科学学院 年份:2015
    摘要:针对快速K-medoids聚类算法所选初始聚类中心可能位于同一类簇的缺陷,以及基于粒计算的K-medoids算法构造样本去模糊相似矩阵时需要主观给定阈值的缺陷,提出了粒计算优化初始聚类中心的K-medoids聚类算法。该算法结合粒计算与最大最小距离法,优化K-medoids算法初始聚类中心的选取,选择处于样本分布密集区域且相距较远的K个样本作为初始聚类中心;使用所有样本的相似度均值作为其构造去模糊相似矩阵的阈值。人工模拟数据集和UCI机器学习数据库数据集的实验测试表明,新K-medoids聚类算法具有更稳定的聚类效果,其准确率和Adjusted Rand Index等聚类结果评价指标值优于传统K-medoids聚类算法、快速K-medoids聚类算法和基于粒计算的K-medoids聚类算法。
  • 【期刊】 确定FCM聚类中心的自动谱聚类社团发现算法

    刊名:江西理工大学学报 作者:周继超 ; 刘建生 关键词:社团发现 ; 谱聚类 ; 本征间隙 ; 复杂网络 机构:江西理工大学理学院 ; 江西理工大学理学院 年份:2016
    摘要:通常大规模复杂网络中社团数量是未知的,针对K-means谱聚类社团发现算法无法自动确定社团数量和聚类精度不高的缺点,提出了基于本征间隙和模糊c均值算法的自动谱聚类算法发现算法(FCMASC).该算法利用特征值的最大本征间隙来确定社团划分数量k,以特征向量矩阵线性相关性来确定FCM算法的初始聚类中心,运用FCM算法来对特征矩阵向量矩阵进行聚类.实验结果显示FCMASC算法能够有效提高聚类精度.
  • 【期刊】 基于聚类中心优化的k-means最佳聚类数确定方法

    刊名:微电子学与计算机 作者:贾瑞玉 ; 宋建林 关键词:k-means聚类 ; 初始聚类中心 ; 样本密度 ; 聚类数 机构:安徽大学计算机科学与技术学院 ; 安徽大学计算机科学与技术学院 年份:2016
    摘要:k-means聚类算法是在确定的聚类数k下对数据集进行聚类,通常凭借先验规则假定一个k值,取值具有很大主观性;此外,k-means初始聚类中心的选择一般也是随机的,这使得k-means聚类经常出现聚类指标局部最优化,聚类结果不稳定.针对以上两个问题,结合密度法改进了k-means初始聚类中心点的选择,并在此基础上提出了一种确定k-means最佳聚类数的方法.实验结果证明,该方法可以得到更好的聚类结果,具有更高的准确性、更好的稳定性以及更优的收敛性.
  • 【期刊】 自动确定聚类中心的移动时间势能聚类算法

    刊名:南京大学学报(自然科学) 作者:陆慎涛 ; 葛洪伟 ; 周竞 关键词:聚类 ; TTHC ; 移动时间 ; 自动确定聚类数目 机构:轻工过程先进控制教育部重点实验室江南大学 ; 轻工过程先进控制教育部重点实验室江南大学 ; 江南大学物联网工程学院 年份:2019
    摘要:移动时间层次聚类(Travel-Time based Hierarchical Clustering,TTHC)是一种新的势能聚类算法,尽管具有较好的聚类效果,但是该算法需要人工设定聚类数目,而且在分配样本的时候仅根据相似度,忽略了距离和势能的影响.针对以上问题,提出一种自动确定聚类中心的移动时间势能聚类算法.首先计算每个数据点的势能和相似度,然后根据相似度确定数据点的父节点,得到数据点与父节点的距离;然后,根据数据点与父节点的相似度、距离和数据点的势能得到综合考量值,根据综合考量值自动确定聚类中心;最后,将剩余数据点分配到比其势能小且与其相似度最大的数据点所属类簇,得到聚类结果.将新算法与TTHC算法进行比较,在人工数据集和真实数据集上的实验结果表明,新算法不仅能够自动确定聚类数目,而且采用了更优的分配机制,可以产生更好的聚类结果.
  • 【期刊】 多指标FCM聚类算法在风电场聚类问题中的应用

    刊名:山东电力技术 作者:李观阳;刘洪正;李广磊;孙毅;刘志敏; 关键词:FCM聚类算法;;多指标聚类;;Digsilent/Power factory软件;;风电场模型 机构:山东理工大学 ; 山东理工大学 ; 国网山东省电力公司电力科学研究院 ; 山东中实易通集团有限公司 年份:2018
    摘要:本文首先介绍了FCM聚类算法相对于传统的K-means聚类算法、AP聚类的优势,并将FCM算法引入风电场多指标聚类中去。获取了东源风电场的详细模型数据及运行数据,借助Digsilent/Power factor软件搭建东源风电场模型并嵌入风速模型,根据风力发电机风速、风力机功率、故障结束0.4 s后的转子的转速作为三项聚类指标,对33台风机进行了聚类建模,并与详细模型进行了比较,验证了基于FCM聚类算法在处理风电场聚类问题上的优越性。
  • 【期刊】 最优聚类个数和初始聚类中心点选取算法研究

    刊名:计算机应用研究 作者:张素洁 ; 赵怀慈 关键词:聚类中心 ; 准确率 ; 误差平方和 机构:中国科学院沈阳自动化研究所 ; 中国科学院沈阳自动化研究所 ; 中国科学院大学 ; 中国科学院光电信息处理重点实验室 ; 辽宁省图像理解与视觉计算重点实验室 ; 中国科学院沈阳自动化研究所 ; 中国科学院光电信息处理重点实验室 ; 辽宁省图像理解与视觉计算重点实验室 年份:2017
    摘要:传统K-means算法的聚类数k值事先无法确定,而且算法是随机性地选取初始聚类中心点,这样容易造成聚类结果不稳定且准确率较低.基于SSE来选取聚类个数k值,基于聚类中心点所在的周围区域相对比较密集、聚类中心点之间距离相对较远的选取原则来选取初始聚类中心点,避免初始聚类中心点集中在一个小的范围,防止陷入局部最优.实验证明,该算法能选取最优的k值,通过用标准的UCI数据库进行实验,采用的算法能选择出唯一的初始中心点,聚类准确率较高、误差平方和较小.
  • 【期刊】 多指标FCM聚类算法在风电场聚类问题中的应用

    刊名:山东电力技术 作者:李观阳 ; 刘洪正 ; 李广磊 ; 孙毅 ; 刘志敏 关键词:FCM聚类算法 ; 多指标聚类 ; Digsilent/Power ; factory软件 ; 风电场模型 机构:[1]山东理工大学 ; [1]山东理工大学 ; [2]国网山东省电力公司电力科学研究院 ; [3]山东中实易通集团有限公司 年份:2018
    摘要:本文首先介绍了FCM聚类算法相对于传统的K-means聚类算法、AP聚类的优势,并将FCM算法引入风电场多指标聚类中去。获取了东源风电场的详细模型数据及运行数据,借助Digsilent/Power factor软件搭建东源风电场模型并嵌入风速模型,根据风力发电机风速、风力机功率、故障结束0.4 s后的转子的转速作为三项聚类指标,对33台风机进行了聚类建模,并与详细模型进行了比较,验证了基于FCM聚类算法在处理风电场聚类问题上的优越性。
  • 【期刊】 基于流形结构的多聚类中心近邻传播聚类算法

    刊名:计算机工程与应用 作者:陈雷雷 ; 葛洪伟 ; 杨金龙 ; 袁运浩 关键词:近邻传播聚类 ; 多聚类中心近邻传播聚类 ; 基于密度的聚类 ; 流形结构 ; 相似性度量 机构:江南大学物联网工程学院轻工过程先进控制教育部重点实验室 ; 江南大学物联网工程学院轻工过程先进控制教育部重点实验室 年份:2016
    摘要:多聚类中心近邻传播聚类算法(MEAP),在处理任意形状具有流形分布结构的数据时,往往得不到理想的聚类结果。为此,基于流形学习的思想,设计了一种全新的相似性度量,该相似性度量能够扩大位于同一流形中数据点间的相似性,同时缩小处于不同流形上数据点间的相似性,从而使得相似性矩阵能够准确地反映数据集内在的流形分布结构。将该相似性度量与MEAP相结合,提出基于流形结构的多聚类中心近邻传播聚类算法MS-MEAP(Manifold Structure based Multi-Exemplar Affinity Propagation),从而有效地拓展了算法处理任意形状具有流形分布结构数据集的能力,同时提高了算法的运行效率。在人工数据集与USPS手写体数据集上进行了实验,仿真实验结果及算法有效性分析证明,MS-MEAP算法相比于原算法在处理任意形状具有流形分布结构的数据时,具有更好的聚类性能。
  • 【期刊】 关于结合层次聚类和K-means算法进行聚类的研究

    刊名:科技创新与应用 作者:孔令凯 ; 向毅 ; 梁松 关键词:K-means聚类 ; Hierarchical聚类 ; 降维 ; 剪枝 机构:云南大学软件学院 ; 云南大学软件学院 年份:2015
    摘要:为了解决进行K-means聚类时类数的自动选择和Hierarchical聚类在处理大量高维数据时时间效率低的问题,在Kmeans聚类算法的基础上结合Hierarchical聚类算法,提出了一种基于集体智慧编程方法的用于处理大量数据时动态选取K值的聚类模型。实验结果表明该算法比K-means聚类具有更好的聚类效果,同时解决了Hierarchical聚类方法时间效率低的问题。本模型通过K-means聚类生成适量的类簇,再利用Hierarchical聚类对这些类再进行聚类,最后经过剪枝得到合适的聚类结果,以此实现动态选取K值。
  • 【期刊】 基于聚类与排序并重的灰色聚类决策方法改进

    刊名:统计与决策 作者:强凤娇 ; 王化中 关键词:灰色聚类决策方法 ; 最大隶属度原则 ; 白化权函数 ; 决策步骤 机构:陕西科技大学管理学院 ; 陕西科技大学管理学院 年份:2015
    摘要:文章针对聚类与排序并重的灰色聚类决策中白化权函数选择及聚类原则两个方面的问题进行分析与探讨,设计出适合聚类与排序并重灰色聚类决策问题的新型混合三角白化权函数,同时以新思路提出新的聚类原则及具体聚类准则确定步骤。
上一页 1 2 3 4 5 6 7 8 9 10 下一页 跳转