【摘 要】
：
初始聚类中心的选择极大地影响了模糊C均值聚类算法的性能,一个好的初始聚类中心能显著加快算法的收敛速度和减少算法的运行时间。本文提出一种新的基于k维树的模糊C均值聚类
【机 构】
：
南京航空航天大学计算机科学与技术学院
【基金项目】
：
2014年中央高校基本科研业务费专项资金资助项目, 南京航空航天大学研究生创新基地（实验室）开放基金资助项目（kfjj201460）
论文部分内容阅读
初始聚类中心的选择极大地影响了模糊C均值聚类算法的性能,一个好的初始聚类中心能显著加快算法的收敛速度和减少算法的运行时间。本文提出一种新的基于k维树的模糊C均值聚类算法。通过使用k维树的方法分割原始数据集得到多个网格,并选取网格的加权中心作为新的数据点构成一个简化的数据集,在此基础上可快速查找一组距离实际聚类中心较近的初始聚类中心,显著减少模糊C聚类算法的迭代次数。通过在16个人工数据集和一组真实图像数据上的实验结果表明,数据集的数据量较大时,在不损失聚类精确度的情况下,本算法相对于普通的模糊C均值聚类算
其他文献
人体行为识别对于个人辅助机器人和智能家居等一些智能应用,是非常必要的功能,本文运用SVM&HMM混合分类模型进行日常生活环境的人体行为识别。首先,使用微软的Kinect(一种RGBD感应器)作为输入感应器,提取融合特征集,包括运动特征、身体结构特征、极坐标特征。其次,提出SVM&HMM模型,SVM&HMM二级模型发挥了SVM和HMM各自的优点,既结合了SVM适于反映样本间差异性特点,又发挥了HMM
Apriori算法在搜索频繁项集过程中，通常需要对数据库进行多次的重复扫描和产生大量无用的候选集，针对此问题提出一种基于矩阵约简的Apriori改进算法。该算法只需扫描一次数据库
基于模板匹配的图像分割算法在显微细胞图像分割中具有很好的通用性。针对传统模板匹配显微细胞图像分割算法在创建模板集时会产生较多冗余模板,造成图像分割时间过长的问题,提出一种改进的模板匹配显微细胞图像分割算法。本算法在传统模板匹配算法的基础上,提取模板集的形状特征,并计算其相似度;然后在不影响图像分割准确率的情况下,剔除模板集中相似度过高的模板来精简模板集;最后利用精简模板集分割测试图像。通过对U2O