最大最小距离法相关论文
随着因特网与网络技术的快速发展,人们可以接触到大量的在线音乐数据,比如音乐原声信号、歌词、音乐曲风或者内容的分类以及其他网......
节理的优势产状是岩石工程中确定硐室布置方式和开挖方向的必需信息。动态聚类法可以完成节理优势组的自动划分,获得节理的优势产......
本文针对发光光源的不稳定、探测器响应度的变化、探测器失配、光学系统本身的干扰、气体干扰、粉尘干扰、环境的温度和湿度等影响......
针对传统K-means聚类算法初始聚类中心随机选取、不能处理边界对象、效率低、聚类精度低等问题,提出了一种新的K-means聚类算法。......
不良数据辨识是提高工业自动化监测数据可靠性的有效方法。为克服聚类初值随意选取对传统GSA不良数据辨识算法的精度和运算速度造......
针对传统的聚类算法K-means对初始中心点的选择非常依赖,容易产生局部最优而非全局最优的聚类结果,同时难以满足人们对海量数据进......
校车站点布局问题是一种典型的设施选址问题。大多数设施选址问题均属于区域选址,将设施选址限定在一定空间范围内,其方法并不适用......
本文先介绍了聚类算法及其分类,然后详细介绍了k-means算法和最大最小距离法。针对k-means算法的缺陷,提出了一种新的多中心聚类算......
针对k-means算法的缺陷,提出了一种新的多中心聚类算法。运用两阶段最大最小距离法搜索出最佳初始聚类中心,将原始数据集分割成小......
随着网络技术的发展和社会信息化进程的加快,数据规模迅速增长,传统的聚类算法很难满足海量数据的分析处理需求。针对目前K-means......
在通常的核C-均值聚类算法中,聚类结果对初始聚类中心敏感,随机选取初始聚类中心时,会使得迭代次数较多、分类结果不稳定。针对该......
针对快速K-me doids聚类算法所选初始聚类中心可能位于同一类簇的缺陷，以及基于粒计算的K-medoids算法构造样本去模糊相似矩阵时需......
从低分辨窄带雷达的助推段RCS序列中能提取出弹道导弹识别的重要信息,但由于信息量有限,只能对导弹尺寸进行大致的分类估计。为了......
作为一种自组织网络,Kohonen神经网络在遥感影像聚类中得到了广泛的应用。但Kohonen算法具有初始权值随机化、学习率和邻域难以确......
针对k均值算法局限于k值和初始中心点选取的情况,提出了一种基于k均值的自动获得k值的KDM算法.该算法整体沿用k均值算法的思想,利......
为有效处理大规模数据聚类的问题，提出一种先抽样再用最大最小距离进行K-means并行化聚类的方法。基于抽样的方法避免了聚类陷入局......
针对K-means对初始聚类中心敏感和易陷入局部最优的缺点，提出了一种改进的基于粒子群的聚类算法。该算法结合基于密度和最大最小距......
针对传统的聚类算法对初始聚类中心敏感、只能对单一属性聚类且聚类效果有时欠佳等不足,提出了一种能处理数值属性和分类属性的Gk-......
