最大最小距离相关论文
相比于实体试验,计算机试验在科学和工程领域已经变得越来越普遍,这主要是因为实体试验往往既费时又昂贵,有的又具有破坏性甚至不......
试验是人们了解自然、探索自然规律的重要手段,它在工业、农业、工程及科学的各个领域有着重要的理论意义和应用价值.试验主要分为......
作为一种研究各类复杂过程和系统的工具,试验设计广泛应用于科学研究、工业、农业、医学等多个领域。试验设计可以分为单次设计和......
空间填充设计是一类应用广泛的试验设计。本文讨论了对于任意水平的对称设计,在考虑因子水平置换和水平扩张的所有可能的结果时,任......
应用数据挖掘的方法从实时数据库中提取相应的故障诊断知识是一种有效途径,也是很有现实意义和研究价值的问题。为提高汽轮机组故......
文档聚类在Web文本挖掘中占有重要地位．是聚类分析在文本处理领域的应用。文章介绍了基于向量空间模型的文本表示方法，分析并优化了......
针对现有的基于流形距离的聚类算法对“绝对流形”数据集较“相对流形”数据集聚类效果佳和参数ρ在较大范围内变化时，聚类性能较差......
传统K-medoids聚类算法随机选取初始聚类中心,存在迭代次数增加、聚类结果波动较大的问题,因此提出基于全覆盖粒计算的K-medoids文......
进化算法可以有效地克服K-means对初始聚类中心敏感的缺陷,提高了聚类性能。在进化K-means聚类算法(F-EAC)的基础上,针对其变异操......
本文提出一种可用于电影推荐先聚类再分类的方法。首先结合肘部函数预先估算类簇数量,再结合最大最小距离方法的K-means算法对初始......
聚类分析是一种无监督的学习方法,对于探索数据的重要特征,揭示空间数据的分布规律以及预测数据对象的发展趋势有着重要的作用.在......
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......
传统k-means初始中心随机选取,在较大范围内,利用以流形距离为相似度测度的参数不能较好地反映数据集的全局一致性。为此,基于属性......
针对K-means算法对初始聚类中心和离群点敏感的缺点,提出了一种优化初始聚类中心的改进K-means算法.该算法首先计算出数据集中每个......
K-Means算法是一种经典的无监督聚类分析算法,具有运行速度快易于实现等优点,但使用该算法时需要指定聚类数目,且质心的选择具有不......
试验设计在统计学的课程、应用和研究等方面扮演着重要的角色。我们关于科学准则、工程中的产品及制造过程等方面的许多知识都是通......
为了避免随机选取初始聚类中心点的缺陷,利用最大最小距离的方法确定初始聚类中心点.实验结果表明,和传统的模糊C均值聚类（FCM）算法......
聚类分析是数据挖掘的一个重要运用方法,它是一个把数据对象划分成子集的过程。k-means算法是一个基于划分且应用非常广泛的聚类算......
针对K-means算法易受初始聚类中心影响而陷入局部最优的问题，提出一种基于萤火虫智能优化和混沌理论的FCMM算法。首先利用最大最小......
为确定-means等聚类算法的初始聚类中心,首先由样本总量及其取值区间长度确定对应维上的样本密度统计区间数,并将满足筛选条件的密......
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......
将端点检测与聚类算法结合,提出一种基于最大最小距离法的节拍跟踪算法.首先,将音乐信号分解成多个频率互不重叠的子带进行频谱分......
随着数据库技术的迅速发展以及数据库管理系统的广泛应用,人们积累的数据越来越多。激增的数据背后隐藏着许多重要的信息,人们希望......
数据挖掘(Data Mining)又称为数据库中的知识发现(简称KDD),是从海量的数据中挖掘出隐含的、先前未知的、对决策有潜在价值的知识......
从庞大而复杂的数据中分析和提取出对用户有利用价值的信息的过程称为数据挖掘。数据挖掘的一个重要分支为聚类分析，聚类分析能够按......
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......
