oalib

OALib Journal期刊

ISSN: 2333-9721

费用：99美元

投稿

时间不限

( 2026 )

( 2025 )

( 2024 )

( 2023 )

自定义范围…

匹配条件： “聚类划分” ，找到相关结果约1000条。
列表显示的所有文章，均可免费获取
第1页/共1000条
每页显示 条
关于聚类有效性函数FP(u,c)的研究
于剑,程乾生
电子学报 , 2001,
Abstract: 本文对已有的划分系数P(u,c)作了进一步研究,指出P(u,c)可以作为聚类有效性函数使用,其性能与划分系数Vpc(u,c)相仿.据此对原有的聚类有效性函数FP(u,c)作了一定的理论分析,并就本文使用的数据进行了计算机模拟.理论分析与计算机模拟得出了同样结论:FP(u,c)作为FCM算法的聚类有效性函数是不合适的.
A clustering algorithm based on the grid-density and the spatial partition tree
一种基于网格密度与空间划分树的聚类算法
MI Hong,ZENG Dong-hai,MI Hong,LIU Li-feng,
曾东海,米 红,刘力丰
系统工程理论与实践 , 2008,
Abstract: 基于密度的聚类是聚类分析中的一种,其主要优点是发现任意形状的聚类和对噪音数据不敏感.文章提出了一种新的基于网格密度和空间划分树的CGDSFF(Clustering based on Grid - Density andSpatial Partition Tree)聚类算法.其创新点在于,将数据空间划分成多个体积相等的单元格,然后基于单元格定义了密度、簇等概念,对单元格建立了一种基于空间划分的空间索引结构(空间划分树)来对数据进行聚类.CGDSPT算法保持了基于密度的聚类算法的上述优点,而且CGDSFF算法具有线性的时间复杂性,因此CGDSPT算法适合对大规模数据的挖掘.理论分析和实验结果也证明了CGDSPT算法的优点.
基于划分的xml文档聚类研究
计算机科学 , 2008,
Abstract: 本文在文本聚类的基础上对xml文档聚类进行了研究，对划分聚类法进行了改进，使之适合于xml文档聚类。最后通过路径划分聚类算法根据频繁结构对xml文档进行挖掘聚类，并对实验结果进行讨论。
机器学习中谱聚类方法的研究
高琰 谷士文 唐琎 蔡自兴？
计算机科学 , 2007,
Abstract: 最近几年，谱聚类方法在模式识别中得到了广泛的应用。与传统的聚类方法比较，它具有能在任意形状的样本空间上聚类，且收敛于全局最优解的优点。本文着重介绍了谱方法的基本原理、相应的算法、研究状况及其在模式识别领域中的应用，同时指出了它的关键问题与未来的研究方向。
基于层次聚类的时间序列在线划分算法*
杜奕,卢德唐,李道伦,查文舒
模式识别与人工智能 , 2007,
Abstract: 如何在线划分数据序列以满足持续动态增长的海量数据流需求正成为序列挖掘领域中的重要内容之一.本文提出一种新的基于层次聚类的在线序列分割算法(OSHC).利用数据序列的有序性特征，构造一种存储划分特征的链表结构SFList.该算法通过一次扫描数据库实现数据序列的在线划分，时间复杂度为O(n).利用SFList中保存的划分特征信息，历史信息的快速查询成为可能.实验结果表明OSHC算法具有良好的划分性能和扩展性能.
基于f-m算法的电路划分新方法
南国芳,李敏强,寇纪淞
天津大学学报(自然科学与工程技术版) , 2004,
Abstract: 提出了一种基于fm算法的启发式电路划分新方法.首先对电路各单元进行聚类,将聚类结果作为算法的初始划分,为了得到更好的划分效果,在fm算法的每一次迭代过程中都引入了单元释放;同时对比例划分作了进一步的研究;最后将该方法应用于标杆电路的划分.实验结果表明,该方法与fm算法相比,划分结果得到了明显的改善.
划分系数和总变差相结合的聚类有效性函数
范九伦,吴成茂
电子学报 , 2001,
Abstract: 划分系数是聚类有效性检测中常用方法之一.针对划分系数存在的严重不足,本文从一个新的角度对划分系数进行修改.结合数据的模糊划分得到的总变差,提出了二个新的聚类有效性标准.实验结果表明,本文提出的方法具有良好的分类性能.
基于划分的聚类个数与初始中心的确定方法
- , 2017,
Abstract: k均值聚类算法在对数据进行聚类时需要以确定的聚类个数和初始聚类中心为前提,但聚类个数是难以准确给定的,通常随机选取k个样本作为初始聚类中心,由于不同的初始聚类中心可能导致不同的聚类结果,采用随机选取初始聚类中心的方法存在着较大的盲目性,造成聚类结果极不稳定.为此,提出了一种基于划分的聚类个数与初始中心点的确定方法.该方法通过对数据空间进行划分,统计每个网格空间中数据点数目作为网格的数据密度,同时计算局部密度极大值的网格个数;按照不同的分度值对数据集进行划分,当局部密度极大值的网格个数趋于相对稳定时,将局部密度极大值的网格个数作为聚类个数,并同时获得聚类初始中心.基于机器学习数据库数据集以及随机生成的人工模拟数据集进行了仿真实验,实验结果表明,所提出的算法有效可行,具有较高的准确性
基于层次划分的密度优化聚类算法
刘方爱
计算机应用 , 2016, DOI: 10.11772/j.issn.1001-9081.2016.06.1634
Abstract: 摘要 针对传统的聚类算法对数据集反复聚类,且在大型数据集上计算效率欠佳的问题,提出一种基于层次划分的最佳聚类数和初始聚类中心确定算法——基于层次划分密度的聚类优化(CODHD)。该算法基于层次划分,对计算过程进行研究,不需要对数据集进行反复聚类。首先,扫描数据集获得所有聚类特征的统计值;其次,自底向上地生成不同层次的数据划分,计算每个划分数据点的密度,将最大密度点定为中心点,计算中心点距离更高密度点的最小距离,以中心点密度与最小距离乘积之和的平均值为有效性指标,增量地构建一条关于不同层次划分的聚类质量曲线;最后,根据曲线的极值点对应的划分估计最佳聚类数和初始聚类中心。实验结果表明,所提CODHD算法与预处理阶段的聚类优化(COPS)算法相比,聚类准确度提高了30%,聚类算法效率至少提高14.24%。所提算法具有较强的可行性和实用性
支持城市功能街区划分的有序语义聚类算法
An Ordered Semantic Clustering Algorithm Supporting Urban Block Knowledge Graph  [PDF]
张冉冉, 刘俊岭, 孙焕良, 许景科
Hans Journal of Data Mining (HJDM) , 2024, DOI: 10.12677/HJDM.2024.141002
Abstract: 城市中的功能大都分布在沿街道的两侧建筑，表现为线性街区，识别城市街区功能划分的特征可为城市空间结构及资源的全面规划、合理配置、统筹安排等提供帮助。传统线性语义聚类算法可用于划分单功能城市街道区，但城市街区不仅包括单一功能分区，还包括混合功能区。本文提出一种支持城市功能街区划分的有序语义聚类算法，在发现单一功能区的同时，也发现混合区并定义了一种新的度量混合功能区的方法。提出的算法基于层次聚类思想，具体算法分为两阶段，第一阶段为层次树生成，采用凝聚的方法将相邻的相似分段合并，得到层次树；第二阶段为功能区提取，进行单一功能区与混合功能区识别，获取给定街区的线性功能区。在真实数据集上的实验结果表明，所提出的算法可以有效发现混合功能区。
The functions in a city are mostly distributed along the buildings on both sides of the street, manifested as linear blocks. Identifying the characteristics of the functional division of urban blocks can provide assistance for the comprehensive planning, rational allocation, and overall arrangement of urban spatial structure and resources. The traditional linear semantic clustering algorithm can be used to divide the single function urban street area, but the city block includes not only the single function area, but also the mixed function areas. This article proposes an ordered semantic clustering algorithm that supports the division of urban functional blocks. While discovering a single functional area, it also discovers mixed areas and defines a new method for measuring mixed functional areas. The proposed algorithm is based on the idea of hierarchical clustering, which is divided into two stages. The first stage is the generation of a hierarchical tree, which uses the aggregation method to merge adjacent similar segments to obtain a hierarchical tree. The second stage involves extracting functional areas, identifying single and mixed functional areas, and obtaining linear functional areas for a given block. The experimental results on real datasets show that the proposed algorithm can effectively discover mixed functional areas.
第1页/共1000条
每页显示 条


Home
Copyright © 2008-2020 Open Access Library. All rights reserved.