1. 方法 总共分为4类 基于欧式距离的聚类 Supervoxel 聚类 深度(Depth) 聚类 Scanline Run 聚类 1.1 基于欧氏距离的聚类 思路 : 在点云上构造kd-tree
2023-06-07 14:38:38
0 在聚类技术领域中，K-means可能是最常见和经常使用的技术之一。K-means使用迭代细化方法，基于用户定义的集群数量（由变量K表示）和数据集来产生其最终聚类。例如，如果将K设置为3，则数据集将分组为3个群集，如果将K设置为4，则将数据分组为4个群集，依此类推。
2022-10-28 14:25:21
499 应该是什么？你应该实验多少次？你需要中心点吗？等等，让我们先来谈谈中心点。 一、什么是中心点 中心点 - 表示所有因子水平都设置在低设置和高设置之间的中间位置时的试验。 这里有两个因子，每个因子两个水平。其中温度低水平为12
2022-09-27 16:47:591129 K-means 算法是典型的基于距离的聚类算法，采用距离作为相似性的评价指标，两个对象的距离越近，其相似度就越大。而簇是由距离靠近的对象组成的，因此算法目的是得到紧凑并且独立的簇。
2022-07-18 09:19:131438 
K-means 是一种聚类算法，且对于数据科学家而言，是简单且热门的无监督式机器学习(ML)算法之一。
2022-06-06 11:53:552540 FCM聚类算法以及改进模糊聚类算法用于医学图像分割的matlab源程序
2018-05-11 23:54:19
，形成初始完备数据集，针对得到的完整数据进行聚类，并运用冋类簇的均值修正初始充填值。根据充填效果误差判定充填稳定性，并进行多次递归聚类修正充填值，直到前后两次充填较为稳定或迭代次数超过阈值时停止迭代。实验
2021-06-11 10:44:216 类算法确定拐点，从而选举岀聚类中心，根据聚类中心确定包含的欻据点;其次将初始的TSP问题分割成较小的簇，这些簇称为二类TSP问题;再经自适应信息素更新策略的蚁群算法运算，找岀毎个簇的最优解，进一步将簇与簇之间相近的节点构
2021-06-04 11:23:173 为构建行驶工况，消除K均值算法对初始聚类中心的敏感性及噪声点的干扰，提岀一种改进主成分分析和基于密度的改进k-均值聚类组合方法。结合距离优化法和密度法，构建一种数据集密度度量方法。选取距离较大、密度
2021-05-31 11:16:083 为降低并均衡无线传感器网络（WSN）中传感器节点的能量消耗，提出一种基于最优传输距离和 K-means聚类的WSN分簇算法。根据层次聚类算法建立聚类特征树，将聚类特征树中的叶节点视为一个簇，并使每个
2021-05-26 14:50:172 SPFCM）与FCPM中使用的初始化聚类中心的策略相结合，即将先前数据块的聚类中心附近的几个样本点添加到下一个数据块进行聚类，以避免FCM对噪声的敏感性。此外，所提出的聚类算法使用一种新的改进后的距离度量的同时，使用修正后的约束条件和目
2021-05-12 15:20:511 的DPC图像分割算法。将图像像素点的颜色空间 CIE Lab值作为特征数据，通过计算信息熵求得自适应截断距离以取代经验取值，建立相应的决策图并确定聚类中心总数，归类非聚类中心点，剔除噪声点从而完成图像分割。在Berkeley数据集上的实验
2021-05-11 14:18:046 为了降低K- mediods聚类算法的误差并提高并行优化的性能，将混合蛙跳算法运用于聚类和并行优化过程。在Kmediods聚类过程中，将K- mediods与聚类簇思想相结合，对各个聚类簇进行混合
2021-05-08 16:17:184 聚类分析是数据挖掘与分析最重要的方法之一。它把相似的数据对象归类到一个簇，把不同的数据对象尽可能分到不同的簇。其中k- means聚类算法，由于其简单性和高效性，被广泛运用于解决各种现实问题，例如
2021-04-28 16:43:551 为构建行驶工况，消除K-均值算法对初始聚类中心的敏感性及噪声点的干扰，提岀一种改进主成分分析和基于密度的改进K-均值聚类组合方法。结合距离优化法和密度法，构建一种数据集密度度量方法。选取距离较大
2021-04-16 15:36:0016 报文聚类是协议逆向工程的主要步骤之一。针对私有二进制协议报文，目前的报文聚类方法存在报文向量化特征冗余的问题，而且传统聚类方法存在聚类中心和聚类簇数难以确定的问题。根据n-gram序列化的思想，构造
2021-04-12 11:04:339 除边界点和噪声点对聚类结果的影响。引入关联度矩阵，通过计算类簇间的关联程度和融合度量，选取最优关联簇进行融合得到最终聚类结果。实验结果表明，该算法无需人工设置聚类参数，并且与基于密度的空间聚类算法和K均值聚类算法
2021-04-01 16:16:4913 最小化计算公式设计概念自动聚类机制。实验结果表明，与K- means算法、基于密度和基于距离的领域概念聚类方法相比，该方法可有效提高査准率、查全率以及综合评估指标F值。
2021-04-01 15:39:4410 子空间并定义合理的约東函数指导聚类过程，从而实现类簇的可重叠性与离群点的控制。在此基础上定义合理的目标函数对传统K- Means算法进行修正，利用熵权约東分别计算每个类簇中各维度的权重，使用权重值标识不同类簇中维度的相对重要性，
2021-03-25 14:07:1013 K- means算法初始中心点选择的随机性以及对噪声点的敏感性，使得聚类结果易陷亼局部最优解，为获得最佳初始聚类中心，提岀一种基于距离和密度的并行二分K- means算法。计算数据集的平均样本距离
2021-03-22 16:44:2217 针对目前多数聚类算法需要事先确定网络用户行为数据规模以及生成的簇标签缺乏明确语义的问题，提出一种用于网络用户行为聚类分析的簇标签自动生成方法。应用潜在因子模型和矩阵分解方法对原始网络用户行为数据补充
2021-03-19 15:53:0215 度推荐算法。采用改进的蜂群算法来优化K- means++聚类的中心点，使聚类中心在整个数据内达到最优，并对聚类结果进行集成，使得聚类得到进一步优化。根据聚类结果，在同一类中采用改进的用户相似度算法来优化传统相似度算法，
2021-03-18 11:17:1110 核心的概念,设计轨迹密度计算函数以获取聚类簇的致密核心轨迹,同时利用岀租车载客轨迹自身的方向和速度等属性提取轨迹特征点,减少轨迹数据量。在此基础上,根据聚类簇中致密核心轨迹与参与聚类轨迹的相似度距离判断轨迹的匹配程度,进而聚合相似轨迹,并将聚类
2021-03-11 17:40:3113 聚类算法，迭代地从数据集中筛选出多个中心点，以每个中心点为簇中心进行局部聚类，并以中心点为顶点构建图，实现基于LGC的半监督学习。实验结果表明，优化后的LGC方法在D31、 Aggregation等数据集上具有较好的鲁棒性，在标注正确率
2021-03-11 11:21:5721 几张GIF理解K-均值聚类原理k均值聚类数学推导与python实现前文说了k均值聚类，他是基于中心的聚类方法，通过迭代将样本分到k个类中，使...
2020-12-10 21:56:09216 这一最著名的聚类算法主要基于数据点之间的均值和与聚类中心的聚类迭代而成。它主要的优点是十分的高效，由于只需要计算数据点与剧类中心的距离，其计算复杂度只有O（n）。
2020-04-15 15:23:2914904 针对聚类算法的聚类中心选取需要人工参与的问题，提出了一种基于拉普拉斯中心性和密度峰值的无参数聚类算法（ ALPC）。首先，使用拉普拉斯中心性度量对象的中心性；然后，使用正态分布概率统计方法确定聚类
2019-01-03 15:36:2412 聚类分析是将研究对象分为相对同质的群组的统计分析技术，聚类分析的核心就是发现有用的对象簇。K-means聚类算法由于具有出色的速度和良好的可扩展性，一直备受广大学者的关注。然而，传统的K
2018-12-20 10:28:2910 K-means算法是被广泛使用的一种聚类算法，传统的-means算法中初始聚类中心的选择具有随机性，易使算法陷入局部最优，聚类结果不稳定。针对此问题，引入多维网格空间的思想，首先将样本集映射到一个
2018-12-13 17:56:551 针对传统K-means型算法的“均匀效应”问题，提出一种基于概率模型的聚类算法。首先，提出一个描述非均匀数据簇的高斯混合分布模型，该模型允许数据集中同时包含密度和大小存在差异的簇；其次，推导了非均匀
2018-12-13 10:57:5910 ）2个步骤，以提高平衡聚类算法的聚类效果与时间性能。首先基于模拟退火在数据集中快速定位出K个合适的数据点作为平衡聚类初始点，然后每个中心点分阶段贪婪地将距离其最近的数据点加入簇中直至达到簇规模上限。在6个UCI真实数据集与2个公开图
2018-11-28 09:53:067 同时，k值的选取也会直接影响聚类结果，最优聚类的k值应与样本数据本身的结构信息相吻合，而这种结构信息是很难去掌握，因此选取最优k值是非常困难的。
2018-07-24 17:44:2118293 
模糊c划分空间为：即有c个类，共N个数据（样本），对于某一样本，其在所有类的隶属度值和为1，对于某一个类，所有数据的隶属度值和小于N。
模糊聚类从某种程度上说就是找到聚类中心。
2018-06-15 08:00:0012 无监督学习是机器学习技术中的一类，用于发现数据中的模式。本文介绍用Python进行无监督学习的几种聚类算法，包括K-Means聚类、分层聚类、t-SNE聚类、DBSCAN聚类等。
2018-05-27 09:59:1329359 
与K均值相比最大的优点是我们无需指定指定聚类数目，聚类中心处于最高密度处也是符合直觉认知的结果。但其最大的缺点在于滑窗大小r的选取，对于结果有着很大的影响。
2018-05-25 17:10:5137147 
本文针对k-medoids算法具有初始点选取复杂、聚类迭代时间久、中心点选取消耗资源过多等缺点，使用Hadoop平台下的MapReduce编程框架对算法进行初始点的点密度计算选取并行化、非中心点分配并行化和中心点更新并行化等方面的改进。
2018-05-18 09:06:394585 
相关研究领域的广泛关注。因此，多位学者对如何将FCM算法拓展到直觉模糊领域进行了研究，贺正洪将聚类对象及聚类中心点用直觉模糊集表示，提出基于直觉模糊集合的模糊c均值算法。申晓勇聚类对象和聚类中心点及两者间的关系均推广到直觉模糊领域，提出了一种基于目标函数的
2018-03-14 10:08:431 的路径覆盖为准则，对每个测试用例进行量化，使每个用例变成一个点。以黑盒测试的功能需求数作为聚类数，在聚类结果的每一簇中，按照离中心点的距离进行排序，依次从每一簇中选择测试用例，直至满足所有测试需求，得到约简的测试用例集
2018-03-12 15:06:230 propa-gation）聚类方法，采取直接关联与簇中心距离较近样本的方法，减少聚类样本数量，降低聚类时空消耗，并依据关联结果，不断调整聚类参数，精确聚类结果。2个网络安全数据集的应用结果表明，该方法可从大规模样本中有效聚出代表性子集，在保
2018-03-06 15:15:550 总体的聚类。将该思想应用于大文本数据集的聚类问题后，过分簇中心之间的相似性度度量方法可以采用常用的余弦距离法。在20-Newgroups大本数据上的实验结果表明：间接谱聚类算法在聚类准确性上比K-Means算法平均高出14. 72%；比规范割谱聚类仅
2018-02-24 14:43:590 函数的值，以此值的大小来判断数据点属于某簇的程度；然后，将所提方法运用到数据流聚类的在线一离线框架中；最后，采用真实数据集KDD-CUP99和随机生成的人工数据集进行算法的测试。实验结果表明，所提方法的聚类纯度在92%以上
2018-02-10 11:54:340 针对互联网流量标注困难以及单个聚类器的泛化能力较弱，提出一种基于互信息（ MI）理论的选择聚类集成方法，以提高流量分类的精度。首先计算不同初始簇个数K的K均值聚类结果与训练集中流量协议的真实分布之间
2018-02-09 10:35:560 考虑到无线传感器网络（WSN）负载不均衡导致节点存活时间较短、能量消耗量较多的问题，提出一种基于分布式层次化结构的非均匀聚类负载均衡算法（ DCWSN）。首先，建立了一个WSN的多层分簇的网络拓扑
2018-01-16 17:45:420 识别的聚类算法来弥补这个缺失．利用数据对象及其相似度构建带权重的数据对象相似图，聚类过程中，利用相似图上重启式随机游走来动态地计算类簇与结点的相似度．聚类的基本逻辑是，类簇迭代地吸收离它最近的结点．提出数
2018-01-09 15:52:510 通过对基于K-means聚类的缺失值填充算法的改进，文中提出了基于距离最大化和缺失数据聚类的填充算法。首先，针对原填充算法需要提前输入聚类个数这一缺点，设计了改进的K-means聚类算法：使用数据间
2018-01-09 10:56:560 得出多重桶标记，再对数据集各桶标记进行聚类得出多个基划分，最后对多个基划分进行集成得出最终划分。实验结果表明，在准确率方面，集成式位置敏感聚类在人工数据上与k-means结合聚类集成的方法相当，在图像集上与k-means结
2018-01-08 16:38:030 。首先，利用主动表观模型快速、准确地对人脸特征点进行定位，获取主要人脸信息；然后，对训练样本进行K-means聚类，将相似程度高的图像分为一类，计算聚类中心，将该中心作为原子构造过完备字典并进行稀疏分解；最后，计算稀疏系数和重构残
2018-01-08 14:38:351 分布流形的复杂性，非线性聚类是最流行和最被广泛研究的聚类问题之一。本文首先从四个角度对非线性聚类的近期工作做一个简要的综述，包括基于核的聚类算法、多中心点聚类算法、基于图的聚类算法以及基于支持向量的聚类算
2018-01-03 14:31:460 针对传统模糊C一均值（ FCM）聚类算法初始聚类中心不确定，且需要人为预先设定聚类类别数，从而导致结果不准确的问题，提出了一种基于中点密度函数的模糊聚类算法。首先，结合逐步回归思想作为初始聚类中心
2017-12-26 15:54:200 针对大数据环境下K-means聚类算法聚类精度不足和收敛速度慢的问题，提出一种基于优化抽样聚类的K-means算法（OSCK）。首先，该算法从海量数据中概率抽样多个样本；其次，基于最佳聚类中心的欧氏
2017-12-22 15:47:180 criteria PAM）算法为基础给出两个加速引理。并基于中心点之间距离不等式提出两个新加速定理．同时，以O（n+K2）额外内存空间开销辅助引理、定理的结合而提出加速SPAM（speed up PAM）聚类算法
2017-12-22 15:35:470 基于最近邻距离分布的空间聚类方法，这个算法是基于这样一个假设，假设在数据空间的某个特定部分，一个聚类内部的点是均匀分布的。实验分析表明，该方法不仅能发现任意形状的簇，而且对于大型空间数据库是高效有用的。
2017-12-19 11:30:290 空间聚类是空间数据挖掘和知识发现领域的主要研究方向之一，但点目标空间分布密度的不均匀、分布形状的多样化，以及多桥链接问题的存在，使得基于距离和密度的聚类算法不能高效且有效地识别聚集性高的点目标。提出
2017-12-19 10:47:320 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
2017-12-17 11:27:400 针对原始K-means聚类算法受初始聚类中心影响过大以及容易陷入局部最优的不足，提出一种基于改进布谷鸟搜索（cs）的K-means聚类算法（ACS-K-means）。其中，自适应CS（ ACS）算法
2017-12-13 17:24:063 为了提高在大容量指纹数据库中指纹识别率的速度和正确率，也为了提取出更多的细节特征，提出了一种旋正图像并使用中心点特征进行指纹分类的方法。首先，根据指纹图像的最小外接椭圆和矩形，获得旋转角度并对指纹
2017-12-12 18:32:380 的算法。首先，通过各向异性扩散处理图像；然后，使用一维K-均值对像素进行聚类；最后，根据聚类结果和先验知识将像素值修改为最佳类中心像素值。理论分析表明该算法可以使图像的峰值信噪比（ PSNR）达到最大值。实验结果表明：所
2017-12-06 16:44:110 局部最优出现错误的聚类结果。针对传统的k-means算法初始聚类中心的缺点，本文提出了p-K-means算法，该算法采用了数学几何距离的方法改进k-means算法中初始聚类中心分布不均匀的现象多个聚类中心出现在同一类簇中的现象，这种方法能避免k-m
2017-12-05 18:32:540 。针对这个问题，提出了折半聚类算法（BCA）。该算法结合了围绕中心点聚类和基于网格聚类两类方式，并利用二分法查找思想划分网格，不需要反复聚类。先将数据用二分法划分成网格，再根据网格内数据密度选出核心网格，接着以核心网格为中心将邻居网格聚
2017-12-03 10:53:040 K-means算法是最简单的一种聚类算法。算法的目的是使各个样本与所在类均值的误差平方和达到最小（这也是评价K-means算法最后聚类效果的评价标准）
2017-12-01 14:07:3319244 
密度和增加轨迹数据关键点密度权值的方式选取高密度的轨迹数据点作为初始聚类中心进行K-means聚类，然后结合聚类有效函数类内类外划分指标对聚类结果进行评价，最后根据评价确定最佳聚类数目和最优聚类划分。理论研究与实验结果表明，该算法能
2017-11-25 11:35:380 针对受均匀效应的影响，当前K-means型软子空间算法不能有效聚类不平衡数据的问题，提出一种基于划分的不平衡数据软子空间聚类新算法。首先，提出一种双加权方法，在赋予每个属性一个特征权重的同时，赋予
2017-11-25 11:33:370 和Wine数据集上将其与FCM、KMEANS算法进行比较实验。实验结果表明，SDSCM在评价指标语义强度期望上高于FCM、KMEANS l%～5%。SDSCM的SPT指标低于FCM、KMEANS，算法的类间分离度有待提高。SDSCM较好地解决了传统减法聚类人工输入参数1和2带来的弊端，并给出了更贴近用户给定
2017-11-25 10:45:420 挖掘其聚类关系，选取初始聚类中心，避免了传统k-means算法对随机选取初始聚类中心的敏感性，减少了k-means算法的迭代次数。又结合MapReduce框架将算法整体并行化，并通过Partition、Combine等机制加强了并行化程度和执行效率。实验表明，该算法不仅提高了聚
2017-11-24 14:24:322 算法（FCM）的最终聚类结果依赖于其初始值的选取，也解决了其容易陷入局部最优解的问题。通过将SACA FCM算法和FCM算法聚类数据流的实验结果进行对比，得出采用SACAFCM算法聚类数据流会取得较好的效果。
2017-11-22 11:51:139 之间及类簇之间的相似度，采用边聚类边提取符合要求类簇的方式，能快速有效地对数据帧进行聚类；并且该算法能自动地确定聚类的个数，所得的类簇含有相似度评价指标。利用林肯实验室公布的数据集进行测试，说明该算法能以
2017-11-21 08:58:250 检测算法检测斑点，并提取出斑点数量、大小和分布等特征值生成特征向量，再使用SVM进行点刺（瘀点）舌象识别。点刺（瘀点）提取同样基于斑点检测算法，提取斑点颜色特征，使用K均值聚类将斑点聚类为多个小类簇，定义基于加权颜色空间距离的判别函数，将聚类结果
2017-11-20 11:34:584 传统kmeans算法由于初始聚类中心的选择是随机的，因此会使聚类结果不稳定。针对这个问题，提出一种基于离散量改进k-means初始聚类中心选择的算法。算法首先将所有对象作为一个大类，然后不断从对象
2017-11-20 10:03:232 量测误差和系统误差设定不同阂值。并且引入聚类簇的极大极小值作为聚类特征，使用层次树的方法来构建聚类特征模型，实现了雷达侦察数据的快速向下搜索及聚类。实验结果表明，该方法是可行、有效的。
2017-11-10 15:52:181 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
2017-11-03 16:13:0512 将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。
2017-11-03 09:18:4815137 
聚类生成的簇看成模糊集合。 从kmeans各个样本所属类别 的非此即彼（要么是0要么是1，如果建立一个归属矩阵Nk［Math Processing Error］，每一行表示样本的归属情况，则会得到，其中一个entry是1，其他是0），到走向模糊（Fuzzy），走向不确定性（此时的归属（
2017-08-28 19:53:5114 基于SVD的K_means聚类协同过滤算法_王伟
2017-03-17 08:00:000 基于聚类中心优化的k_means最佳聚类数确定方法_贾瑞玉
2017-01-07 18:56:130 KUKA机器人TCP(工具中心点)设定.
2015-12-23 14:50:4936 介绍了K-means 聚类算法的目标函数、算法流程，并列举了一个实例，指出了数据子集的数目K、初始聚类中心选取、相似性度量和距离矩阵为K-means聚类算法的3个基本参数。总结了K-means聚
2012-05-07 14:09:1427 电压敏电阻器对中心点不接地单相避雷电路图
2010-04-02 17:39:241491 
该文针对K 均值聚类算法存在的缺点，提出一种改进的粒子群优化(PSO)和K 均值混合聚类算法。该算法在运行过程中通过引入小概率随机变异操作增强种群的多样性，提高了混合聚类
2010-02-09 14:21:2610 LEACH 是一种将整个网络的能量负载平均分配到每个节点，从而降低能耗、延长网络生命周期的低功耗自适应分簇聚类路由协议。针对组网过程中存在簇头分布不均及其选取方法不
2010-01-22 13:52:4825 文本聚类是中文文本挖掘中的一种重要分析方法。K 均值聚类算法是目前最为常用的文本聚类算法之一。但此算法在处理高维、稀疏数据集等问题时存在一些不足，且对初始聚类
2010-01-15 14:24:4610 为提高银行存贷款数据集上的聚类质量和聚类效率，本文做了下列工作：(1)定义了簇的直径。(2)提出了利用距离尺度降维的中心距序降维法,证明了新方法在降维时能保持聚类质量
2010-01-07 16:23:5712 复杂网络聚类方法:网络簇结构是复杂网络最普遍和最重要的拓扑属性之一,具有同簇节点相互连接密集、异簇节点相互连接稀疏的特点.揭示网络簇结构的复杂网络聚类方法对分析复
2009-10-31 08:58:3914 Web文档聚类中k-means算法的改进
介绍了Web文档聚类中普遍使用的、基于分割的k-means算法,分析了k-means算法所使用的向量空间模型和基于距离的相似性度量的局限性,从而
2009-09-19 09:17:03913 
提出了一种多密度网格聚类算法GDD。该算法主要采用密度阈值递减的多阶段聚类技术提取不同密度的聚类，使用边界点处理技术提高聚类精度，同时对聚类结果进行了人工干预。G
2009-08-27 14:35:5811 中心点不解地道单相霹雷电路图
2009-06-08 15:04:40328 
提出一种适用于公交站点聚类的DBSCAN改进算法，缩小搜索半径ε，从而提高聚类正确度，同时通过共享对象判定连接簇的合并，防止簇的过分割，减少噪声点，有效地屏蔽了算法对输
2009-04-23 09:26:0330 提出一种基于聚类的无限传感器网络相对定位算法，包括3个步骤，即将网络分簇、各簇建立局部坐标系并计算簇内节点自身在局部坐标系内位置以及各局部坐标系合并成全局坐标系
2009-04-14 09:40:4922 提出了一种新的层次聚类算法，先对数据集进行采样，以采样点为中心吸收邻域内的数据点形成子簇，再根据子簇是否相交实现层次聚类。在层次聚类过程中，重新定义了簇与簇
2009-03-03 11:48:1919
电子发烧友App
工商网监
评论