基于密度相关论文
数据挖掘技术是当前的研究热点,聚类分析是数据挖掘技术中最经典、最常用的技术之一.聚类分析被广泛应用于许多重要的研究领域,如:......
随着互联网信息技术的发展，大规模数据的采集越来越便捷，数据的结构也越来越复杂，对大量复杂的数据集进行类别标注非常困难，如何从复杂......
离群点检测是数据挖掘领域中的热点问题之一，可以在庞大数据中挖掘出极少包含具有关键信息的数据，在日常生活和工作中应用十分的广泛......
离群点检测及数据聚类分析是数据挖掘的研究热点，通过检测离群点，可以从数据中获得重要的知识，有助于做出更好的决策支持。目前，离群点......
随着互联网在日常生活中的普及,信息传播速度不断加快,各行各业产生了海量的数据信息。如何从纷繁复杂的数据中挖掘出有价值的信息......
随着网络技术的发展和计算机使用的日益广泛,电子化数据越来越多,人们正面临"数据丰富而知识贫乏"的问题.数据挖掘技术为解决此问......
数十年来，数据挖掘一直是一个热门话题。作为数据挖掘的一个主要技术领域，聚类分析产生了很多算法，并且演化成一个庞大家族。现有的聚......
随着网络的普及和传感器的大规模应用,数据流的产生方式越来越多。数据流的聚类算法研究也越来越引起研究者的关注。数据流具有次......
粒子的高效分选对医学检测、化学研究、诊断治疗学、药物开发与合成等领域有着重要意义。而基于粒子密度分选粒子广泛应用于化学和......
针对传统K-means算法必须事先确定聚类数目以及对初始聚类中心的选取比较敏感的缺陷,采用基于密度的思想,通过设定Eps邻域以及Eps......
期刊
离群点是数据仓库中表现行为异常的数据.对高维空间下离群点的性质进行了研究,采用高维空间数据在低维空间投影再进行探测的策略,......
K-Means聚类算法只能保证收敛到局部最优,从而导致聚类结果对初始代表点的选择非常敏感.许多研究工作都着力于降低这种敏感性.然而......
期刊
本文概述了基于密度的异常挖掘方法,对该方法中存在的一些不足做出了改进,从而大大提高该算法的性能,并将该算法结合网络入侵检测......
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......
城市照明数字化综合管理系统应用过程中会产生大量设施维护事件记录,这些数据在类型和空间分布上蕴含大量信息,对这些数据进行分析......
针对基于栈式自编码器的离群点(SAE)检测算法和基于密度的离群点(LOF)检测算法检测精度不高的问题,提出了将SAE算法和LOF算法相结......
如何快速有效地对数据立方体上的聚集查询给出近似的回答,是数据挖掘和数据仓库研究领域中的核心问题之一.现有大多教聚集查询算法......
对近年来不确定性数据聚类算法的研究现状与进展进行总结。首先对较有代表性的聚类算法,从思想、关键技术和优缺点等方面进行分析......
0．前言在过去的十年中，多目标进化算法（MOEA）得到了很大的发展，能有效的解决复杂的多目标优化问题（MOP），基于种群操作的进化计算可以隐并行......
聚类算法在模式识别、数据分析、图像处理、以及市场研究的应用中，需要解决的关键技术是如何有效地聚类各种复杂的数据对象簇。在分......
现有的基于网格聚类算法在付出较小的时间复杂度的同时，牺牲了聚类的质量，得到的往往并不是最理想的聚类结果，尤其是在簇边缘可能出现......
有效聚类各种复杂的数据对象簇是聚类算法应用于事务对象划分、图像分割、机器学习等方面需要解决的关键技术。在分析与研究现有聚......
为了有效地发现数据聚簇,尤其是任意形状的聚簇,近年来提出了许多基于密度的聚类算法,如DBSCAN, OPTICS, DENCLUE, CLIQUE等.提出......
针对传统的K-means算法无法预先明确聚类数目,对初始聚类中心选取敏感且易受离群孤点影响导致聚类结果稳定性和准确性欠佳的问题,......
离群数据挖掘是数据挖掘技术的重要研究领域之一.在简单介绍了离群数据挖掘的产生背景及研究意义后,对几种主要的离群数据挖掘方法......
油墨叠印是指在印刷时第二色印刷到第一色的过程中产生的一种现象。本实验采用记录油墨滚筒在油墨转移前和转移后的重量的方法，通过......
在如今的大数据时代,随着互联网技术的飞速发展,信息量的指数级增长为用户提供了诸多便利,但随之而来的问题是面对海量的数据,用户......
针对分布式数据流中数据有交叠、不完整的情况和聚类需要较低通信代价的要求,提出了密度和模型聚类思想相结合的分布式数据流聚类......
该文提出在高维空间下离群点发现技术的新方法，即利用粗糙集的属性约简技术减少高维空间的维数，并在各个关联规则子空间下对数据集进......
科学技术不断发展．人民的生活水平不断提高。在印刷向多色高速发展的今天，人们对印刷品的质量和印刷效率也有更高的要求。而提高印刷......
针对离群点检测算法LOF在高维离散分布数据集中检测精度较低及参数敏感性较高的问题,提出了基于邻域系统密度差异度量的离群点检测......
异常检测是数据挖掘的一个重要组成部分,其中基于密度的方法LOF是目前常用的主要方法。然而LOF方法进行检测时需要设定参数k和MinP......
给出一种基于密度的局部离群点挖掘方法。采用KDD99数据集进行实验,对数据集中的41个属性提取特征,利用基于密度的聚类对统计处理......
针对大多数复杂网络聚类算法不能有效利用先验知识的问题，提出了一种基于密度的半监督复杂网络聚类算法。通过已有的成对约束关系及......
Overlapping community detection in a network is a challenging issue which attracts lots of attention in recent years.A n......
近年来,随着不确定性数据的广泛出现以及数据挖掘技术的不断兴起,对不确定数据内在信息挖掘手段的研究也逐渐得到了人们的关注。聚......
1如何在MSC Patran中定义不与坐标轴平行的弹簧单元？在MSC Patran中一般通过Properties→Create→0D→Grounded Spring或Properties......
离群点是数据集中极少数与主流数据显著不同的数据点,它们往往比主流数据更具价值。离群检测在许多领域都有着广泛的应用,吸引了包......
聚类算法是机器学习算法的一个分支,已有的聚类算法通常采用无监督学习。由于这类算法不能利用已知信息,结果的准确性和稳定性较低......
文本聚类在很多领域都有广泛应用,而聚类算法作为文本聚类的核心直接决定了聚类的效果和效率。结合基于划分的聚类算法和基于密度......
数据挖掘技术是目前计算机领域的研究热点之一,聚类分析作为数据挖掘技术的一个重要分支同样引起了大量研究人员的重视。目前在各......
传统K-means算法由于随机选取初始聚类中心,使得聚类结果波动性大;已有的最大最小距离法选取初始聚类中心过于稠密,容易造成聚类冲......
针对基于模糊C-均值(FCM)的不确定区间数聚类算法中,区间数内的点通常假设服从均匀分布,难以表达其真实属性;聚类结果受到初始聚类......
针对网络流量分类识别系统尤其是实时识别系统对实现复杂度和分类准确率的要求,提出一种复杂度和准确率的折中方案。通过基于密度......
提出了一种基于密度的聚类结果优化方法,利用传统K-means快速高效的特性和基于密度的思想,有效提取图像中的主色,避免了基于密度来......
利用基于密度的离群数据挖掘算法离群数据不在非离群数据指定的邻域内的特点，改进了原有的离群数据挖掘算法：首先判断数据是否在某个......
K-Means聚类算法只能保证收敛到局部最优，从而导致聚类结果对初始代表点的选择非常敏感．许多研究工作都着力于降低这种敏感性．然,K-Me......
期刊
