oalib

Publish in OALib Journal

ISSN: 2333-9721

APC: Only $99

Submit

Any time

2020 ( 1 )

2019 ( 89 )

2018 ( 715 )

2017 ( 738 )

Custom range...

Search Results: 1 - 10 of 38834 matches for " K-medoids算法 "
All listed articles are free for downloading (OA Articles)
Page 1 /38834
Display every page Item
面向层次类型变量的相异度量及其聚类分析
杨培颖 王大玲 于戈 陈冬玲?
计算机科学 , 2007,
Abstract: 本文在分析传统类型变量相异度量的基础上,定义了“层次类型”的概念,提出了层次类型变量的相异度量计算方法。引入层次类型变量,并结合传统类型变量,设计了具有包括层次类型在内的混合数据类型描述的对象之间的相异度量方法,并基于此实现了此类对象的聚类分析。
A New Clustering Algorithm Based on GA and K-medoids Algorithm
基于遗传算法和k-medoids算法的聚类新算法*

Hao Zhangang,Wang Zhengou,
郝占刚
,王正欧

现代图书情报技术 , 2006,
Abstract: This paper presents a new clustering algorithm based on GA(Genetic Algorithm) and k-medoids algorithm.The new algorithm can not only improve the precision of clustering but also recognize isolated points.At the same time,the new algorithm may expedite the convergence of GA and save the time cost for integration with the k-medoids algorithm in GA.
Dissimilarity Metric and Clustering for Hierarchy Variable
面向层次类型变量的相异度量及其聚类分析

YANG Pei-Ying,WANG Da-Ling,YU Ge,CHEN Dong-Ling,
杨培颖
,王大玲,于戈,陈冬玲

计算机科学 , 2007,
Abstract: Based on the analysis for the dissimilarity metric of traditional type variables,the hierarchy type is defined, and the dissimilarity metric for the type is proposed in the paper.Moreover,the dissimilarity metric of the hybrid type including traditional types and the hierarchy type is designed,and a clustering algorithm based on the metric is imple- mented.
Research on parallel K-Medoids algorithm based on multi-core platform
基于多核平台并行K-Medoids算法研究

LI Jing-bin,YANG Liu,HUA Bei,
李静滨
,杨柳,华蓓

计算机应用研究 , 2011,
Abstract: Analyzed the nice parallelism of K-Medoids and redesigned it to make suitable for multi-core platform. Implemented the parallel algorithm by OpenMP at last. The experimental results show that the new algorithm suits for multi-core condition very well and obtains good speedup and running efficiency on two-core and four-core machines both.
基于粒计算的k-medoids聚类算法
马箐,谢娟英
计算机应用 , 2012,
Abstract: ?传统k-medoids聚类算法的聚类结果随初始中心点不同而波动,且计算复杂度较高不适于处理大规模数据集;快速k-medoids聚类算法通过选择合适的初始聚类中心改进了传统k-medoids聚类算法,但是快速k-medoids聚类算法的初始聚类中心有可能位于同一类簇。为克服传统k-medoids聚类算法和快速k-medoids聚类算法的缺陷,提出一种基于粒计算的k-medoids聚类算法。算法引入粒度概念,定义新的样本相似度函数,基于等价关系产生粒子,根据粒子包含样本多少定义粒子密度,选择密度较大的前k个粒子的中心样本点作为k-medoids聚类算法的初始聚类中心,实现k-medoids聚类。uci机器学习数据库数据集以及随机生成的人工模拟数据集实验测试,证明了基于粒计算的k-medoids聚类算法能得到更好的初始聚类中心,聚类准确率和聚类误差平方和优于传统k-medoids和快速k-medoids聚类算法,具有更稳定的聚类结果,且适用于大规模数据集。
Efficient K-medoids clustering algorithm
一种高效的K-medoids聚类算法

夏宁霞,苏一丹,覃希
计算机应用研究 , 2010,
Abstract: Due to the disadvantages of sensitivity to the initial selection of the medoids and poor performance in large data set processing in the K-medoids clustering algorithm, this paper proposed an improved K-medoids algorithm based on a fine-tuned of initial medoids and an incremental candidate set of medoids. The proposed algorithm optimized initial medoids by fine-tu-ning and reduced computational complexity of medoids substitution through expanding medoids candidate set gradually. Expenrimental results demonstrate the effectiveness of this algorithm,which can improve clustering quality and significantly shorten the time in calculation compared with the traditional K-medoids algorithm.
基于改进流形距离k-medoids算法
邱兴兴,程霄
计算机应用 , 2013,
Abstract: ?针对空间分布复杂的数据以及空间分布未知的现实数据聚类问题,设计了一种改进流形距离作为不相似测度。该不相似测度可有效利用所有数据点之间的全局一致性,挖掘无类属数据集的空间分布信息。通过使用该不相似测度,提出了基于改进流形距离k-medoids算法。将新算法与基于已有的流形距离和基于欧氏距离的k-medoids算法进行性能比较,对八个人工数据集以及usps手写体数字识别问题的实验结果表明:新算法针对不同结构的测试数据集,在聚类性能上均优于或接近于另外两种k-medoids算法,并且对于各种分布的,无论简单或复杂,凸或者非凸的数据都可以进行聚类。
大电网互联格局下的解列断面双阶段搜索方法
廖清芬,王乙斐,唐飞,杨健,刘涤尘,查晓明
高电压技术 , 2015, DOI: 10.13336/j.1003-6520.hve.2015.03.006
Abstract: 针对大区互联电网受扰失稳后应及时进行解列的问题,提出了一种解列断面双阶段搜索方法。首先,基于有功对相角的灵敏度计算各母线节点之间的电气距离,利用K-medoids算法对互联电网进行预分区,再将子区域进行聚合,得到互联电网的初始简化结构图;然后,构建主动解列断面搜索的数学模型,设置有功不平衡功率最小的目标函数及约束条件;最后,利用改进的蚁群算法求解最优解列断面。结果表明所提出的双阶段解列断面搜索方法在不丢失可行解的情况下可将IEEE118节点算例和某实际大电网算例分别简化为20节点与310节点的系统,并在不平衡功率分别为1.01MW和189.1MW搜索到了解列断面,总过程耗时分别为0.21s与4.35s,满足了解列搜索过程所要求的快速性与有效性。
IC-kmedoids:适用于RNA二级结构预测的聚类算法
IC-kmedoids: A Clustering Algorithm for RNA Secondary Structure Prediction

王常武,刘小凤,王宝文,刘文远
- , 2015, DOI: 10.7507/1001-5515.20150018
Abstract: 采用自由能方法预测RNA二级结构时, 如何精确有效地从次优结构中筛选出真实的二级结构成为RNA结构预测中的关键。采用聚类技术对次优结构集合进行分析, 可有效地提高预测结果的精度。本文利用RBP分数矩阵, 提出一种基于增量中心候选集的改进k-medoids算法。它将随机选择初始中心并进行首次划分后以中心候选集逐一扩展的方式进行中心轮换, 以降低算法的复杂度。实验表明, 该算法能取得更高的CH值, 且能有效地缩短计算时间。
Due to the minimum free energy model, it is very important to predict the RNA secondary structure accurately and efficiently from the suboptimal foldings. Using clustering techniques in analyzing the suboptimal structures could effectively improve the prediction accuracy. An improved k-medoids cluster method is proposed to make this a better accuracy with the RBP score and the incremental candidate set of medoids matrix in this paper. The algorithm optimizes initial medoids through an expanding medoids candidate sets gradually.The predicted results indicated this algorithm could get a higher value of CH and significantly shorten the time for calculating clustering RNA folding structures.
基于宽度优先搜索的k-medoids聚类算法
颜宏文,周雅梅,潘楚
计算机应用 , 2015,
Abstract: ?针对传统k-medoids聚类算法对初始值敏感、中心点随机选择以及聚类精度不够高等缺点,在粒计算有效初始化的基础上,提出中心点宽度优先搜索策略.首先,利用粒计算初始化获取k个有效粒子,遴选该k个粒子所对应的k个中心点作为k个初始中心点;然后,根据对象间的相似性分别对k个粒子中的对象建立以中心点为根节点的相似对象二叉树,通过宽度优先搜索遍历二叉树迭代出最优中心点,同时采用簇间距离和簇内距离优化准则函数.实验结果表明,所提算法在uci中iris和wine标准数据集中测试,在有效缩短迭代次数的同时保证了算法聚类准确率.
Page 1 /38834
Display every page Item


Home
Copyright © 2008-2017 Open Access Library. All rights reserved.