初始中心相关论文
为了提高三维点云逆向重建中对局部细节部位的敏感性,解决表面特征变化较大、外形较为复杂的点云数据分割不理想对后续处理产生较......
聚类算法虽然已经应用于各个领域,但是该算法依然存在一定的缺陷.本文以K-Means算法为研究对象,分析该算法存在的问题,并有针对性......
传统的K-means算法对聚类中心极为敏感,导致聚类质量的下降。针对此问题,本文提出一种优化初始中心的k-means算法,该算法将距离最......
针对现有（RivalPenalizedCompetitiveLearning，RPCL）算法之不足，提出根据样本数据集自然分布规定样本密度，把此密度代人次胜者受罚竞争......
K-means算法是一种基于划分的方法,该算法对初始聚类中心的选取依赖性极大,初始中心值的不同导致聚类效果不稳定.为此,本文利用几......
为了弥补传统K-means算法聚类效果严重依赖于初始聚类中心这一不足,提出了OICCK-means算法.将不加权算术平均组对法（UPGMA）进行改进,......
针对基于Hub的聚类算法K-hubs算法存在对初始聚类中心敏感的问题,提出一种基于Hub的初始中心选择策略.该策略充分利用高维数据普遍......
传统的K-means算法敏感于初始中心点的选取,并且无法事先确定准确的聚类数目k,不利于聚类结果的稳定性。针对传统K-means算法的以......
与传统的前向神经网络相比，覆盖算法具有运行速度快、精度高的特点，但覆盖算法的初始领域中心是随机选取的。实验表明网络性能与学习......
为解决传统K-Means算法以及它的变种会产生较大波动的聚类结果的问题,使用改进的模拟退火算法来优化初始中心,得到一种适合对文本......
研究了利用已发现的频繁序列模式对序列数据库进行再聚类再发现的问题，针对已有的K-均值聚类算法随机选取初始中心点而导致聚类结果......
针对K—medoids算法需要事先给定聚类数目和初始聚类中心的问题，借助次胜者受罚竞争学习算法RPCL确定数据集的类簇数目，提出以密度RP......
期刊
针对模糊C-均值（FCM）算法对初始中心敏感的缺点,通过选取离均值最远的点作为初始聚类中心的方法,提出了一种基于均值距离的初始中心......
k-means聚类算法，是在d维空间Rd里把n个数据对象划分为K个类，其划分原则是计算每个数据对象与K个聚类中心的距离并将其分配到最近的......
聚类算法是用来提取有用信息的重要技术,k均值聚类算法是其中应用最为普遍的聚类分析算法。然而,这种聚类算法的主要问题是,最终的......
对近年来k-means算法的研究现状与进展进行总结.首先对较有代表性的初始聚类中心改进的算法,从思想、关键技术和优缺点等方面进行......
随机选取初始聚类中心和根据经验设置K值对K-means聚类结果都有一定的影响,针对这一问题,提出了一种基于加权密度和最大最小距离的......
以标准K-means算法在旅游客户细分的应用中存在的聚类效果不佳等缺陷为着眼点，本文设计了一种以初始化中心优化K-means算法为基础的......
提出一种优化径向基函数神经网络来波方位(DOA)估计模型结构和参数的方法。利用误差准则函数的收敛性,合理确定模型的隐层神经元数......
针对K-means算法的不足，提出了一种优化初始中心的聚类算法。首先，采用密度敏感的相似性度量来计算对象的密度。基于对象之间的距离......
随着计算机信息技术的迅猛发展,人们收集的数据越来越大,我们时常都会遇到像图像、文字、视频、音频等各式各样的数据,现在大家非......
针对传统K-均值聚类算法对初始聚类中心敏感、现有初始聚类中心优化算法缺乏客观性,提出一种基于样本空间分布密度的初始聚类中心......
K均值聚类是一种常用的聚类算法,需要指定初始中心和簇数,但随意指定初始中心可能导致聚类陷入局部最优解,且实际应用中簇数未必是......
