共查询到10条相似文献，搜索用时 31 毫秒
1.
谱聚类是一种无监督学习的聚类方法,其具有能够收敛至全局最优且适用于任意形状样本空间的优点.然而,传统方法构造的相似矩阵有时难以准确反映出数据之间的近似关系,从而导致聚类结果不佳.粒计算技术能够很好地解决这一问题.通过将数据邻域粒化,从粒子的视角重新衡量数据之间的近似关系,提出了一种基于邻域粒的谱聚类方法.首先,将样本的单一属性通过邻域粒化的方式形成邻域粒子;然后,将属于同一样本的粒子组合构造成粒子向量;接着,利用定义的2种邻域粒距离公式,对构造出的粒向量进行距离度量,并通过径向基函数生成相似矩阵,从而进行谱聚类;最后,使用UCI数据集进行验证,将谱聚类算法与邻域粒结合,从邻域参数和邻域粒向量的距离度量方式2个方面进行性能测试,并与传统聚类算法进行对比.实验结果表明,基于邻域粒构造的相似矩阵在谱聚类中是可行且有效的. 相似文献
2.
《山东省农业管理干部学院学报》2019,(7):33-37
为了解决模糊C均值聚类(FCM)算法进行图像分割时容易陷入局部最优和随机初始化聚类中心的问题,研究人员提出了基于改进的狮群优化和模糊C均值聚类的混合图像分割算法。该算法首先利用改进的狮群算法优化模糊C均值的目标函数,增强算法全局最佳值搜索能力,使其避免陷入局部最优,同时引入聚类有效性指标,通过迭代更新搜索到合理的分割类别数实现自动确定图像分割最佳类别数,并根据最佳类别数确定最优聚类中心的选取,最终实现图像的自适应分割。实验结果表明,该方法可自适应地确定图像分割最佳类别数,能快速准确地实现图像分割。 相似文献
3.
遗传K均值方法在品种资源分类中的应用 总被引：1，自引：1，他引：0
采用实数编码方式,对聚类的中心矩阵进行编码,通过数组变换将染色体与相应聚类中心的数组进行匹配,通过轮赌选择和自适应的交叉、变异操作及均值小生境的种群优化对聚类中心的编码进行更新迭代,最终得到稳态的聚类误差函数和划分效果最好的聚类中心.然后通过对某基地的甘蔗品种进行分析、比较,分析的误差函数结果显示,Ringa K-Means改进的聚类效果明显优于传统的K-Means方法及Sga-K-Means方法的聚类效果. 相似文献
4.
朱利华 《湖南农业大学学报(自然科学版)》2013,(4):57-60
为了克服经典K-Means算法随机选择初始数据中心而易陷入局部最优解和聚类结果的不确定性问题，提出一种基于粒子群和K-Means算法的改进聚类算法以实现移动用户分类。首先，定义数据对象密度并采用改进的普里姆算法初始化聚类中心，然后，将此聚类中心用于初始化粒子位置，采用混沌粒子群算法寻优获得最优解作为最终的聚类中心，最后，采用经典K-Means算法根据最终聚类中心进行聚类。仿真实验表明文中方法能正确地实现移动用户分类，并具有较强的全局寻优能力和较快的收敛速度，弥补了经典K-Means方法的不足，具有较强的现实意义。 相似文献
5.
6.
朱玲 《山东农业大学学报(自然科学版)》2020,51(2)
针对滑坡危险性预测中降雨等不确定因素难以衡量,及现有的预测方法大多属于无监督的传统聚类方法,不能有效利用先验信息的问题,为有效提高预测精度,首先提出一种不确定数据距离-uv距离,它实现了不确定因素降雨的有效刻画;其次将半监督聚类应用于滑坡危险性预测,引入uv距离,设计了一种基于不确定数据的半监督动态K-均值算法,其有效利用了先验信息,并通过设置隶属度阈值实现了数据集的动态划分,有效提高了预测精度。研究区的实验结果证明了uv距离及算法的有效性。 相似文献
7.
张卫东 《农业图书情报学刊》2016,(6):50-57
结合图书管理参数复杂,变量维数较高,多属性数据点集中不但包含数值型属性,还有类别属性和混合型属性的特点,将模糊聚类算法与属性加权优化相结合,进而推导出优化迭代公式并形成加权聚类算法对图书数据管理中的相关影响因素进行聚类分析,得到了相关具有较大影响因素的相关变量,对于企业今后一段时间内的精细化管理给出了控制方向和指标. 相似文献
8.
一种改进的K-均值聚类算法的研究 总被引：1，自引：0，他引：1
聚类分析在科研和商业应用中都有着非常重要的作用。K-均值聚类算法是一种基于样本间相似性度量的间接聚类方法,其不足之处是,它采用均值作为一类的代表点,一个点往往不能充分反映该类的模式分布结构,从而损失了很多有用的信息。研究了一种改进的K-均值聚类算法,在求样本间距离时,采用核函数距离代替欧氏距离,考虑了各模式间的相关性。试验结果表明,利用改进的K-均值聚类算法,聚类结果的准确率更高,更稳定。 相似文献
9.
K均值聚类算法是聚类方法中使用相对广泛的一种算法。K均值聚类算法将K作为人工事先设定的一个聚类参数,也就是目标把N个样本对象数据划分为K个簇类,使每个簇内样本对象都具有相对较高的相似度。然而在使用k均值聚类算法的时候,预先要确定想要聚类的类别数k,但是有时有又无法得到最合适的聚类数k,也就加大了人工计算量。 相似文献
10.
聚类分析在科研和商业应用中都有着非常重要的作用。K-均值聚类算法是一种基于样本间相似性度量的间接聚类方法,其不足之处是,它采用均值作为一类的代表点,一个点往往不能充分反映该类的模式分布结构,从而损失了很多有用的信息。研究了一种改进的 K-均值聚类算法,在求样本间距离时,采用核函数距离代替欧氏距离,考虑了各模式间的相关性。试验结果表明,利用改进的 K-均值聚类算法,聚类结果的准确率更高,更稳定。 相似文献