版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、聚類是重要的數據挖掘技術,在海量數據統(tǒng)計、網絡分析及醫(yī)學圖形圖像自動監(jiān)測等領域具有廣泛的應用背景。聚類就是根據數據的內在特性將數據對象劃分到不同的組(或簇)中,使得屬于同簇的數據對象具有相似性,不同簇的數據對象具有相異性。 近幾十年來,國內外的研究者們提出了許多聚類算法,這些算法大多從全局或局部的角度觀察聚類,力圖發(fā)現所有聚類方案的最優(yōu)結果。由于處理數據的規(guī)模大、類型復雜,因此目前的聚類算法不能滿足人們對聚類質量的要求。同時,經
2、典算法在聚類過程中都有保持問題和數據對象位置不變的特點。 本文著眼于提高聚類質量,充分地結合經典聚類算法的特點,力圖從運動的角度來分析聚類,提出了基于調整學習的聚類算法,其基本思想是通過調用調整算子,變換數據對象的位置來構造一系列粗細粒度不同的近似問題。 首先對細粒度近似問題聚類,再利用細粒度問題的聚類結果來引導粗粒度問題的求解。由于變換能改變問題的拓撲結構,從而使原始問題可以轉化為多個簡單問題迭代求解,達到降低問題難度
3、和提高聚類質量的目的。 本文在調整學習聚類算法的基礎上分別對FCM算法和CLARANS算法進行了改進。 最后通過多組仿真數據和3個實際數據集比較了改進算法與經典算法的聚類質量。實驗結果表明,改進后的算法在時間、空間復雜度不變的情況下聚類質量有了較顯著提高。 本文提出的新聚類算法以經典聚類算法為其從屬算法并對其改進。為人們獲得高質量聚類結果提供了新思路和新途徑,為準確地挖掘出數據集中隱含的模型和信息提供了保證。因此
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于學習聚類的圖像檢索算法研究.pdf
- 蟻群算法中基于PAM聚類算法的參數調整.pdf
- 基于核學習方法的聚類算法研究.pdf
- 聚類學習的理論分析與高效算法研究.pdf
- 基于層次聚類的模糊聚類算法的研究.pdf
- 聚類算法的研究.pdf
- 基于譜聚類的文本聚類算法研究.pdf
- 基于主動學習的半監(jiān)督譜聚類算法研究.pdf
- 基于細菌覓食聚類的蟻群算法參數動態(tài)調整方法研究.pdf
- 基于傳遞距離的度量學習和聚類算法研究.pdf
- 基于集成學習的H-K聚類算法研究.pdf
- 演化聚類算法研究.pdf
- 基于聚類學習的分類算法及模型優(yōu)化.pdf
- 基于監(jiān)督聚類的極限學習機的增量學習算法研究.pdf
- 模糊聚類算法及其聚類有效性的研究.pdf
- 空間聚類算法的研究.pdf
- 基于FCM的類合并聚類算法研究.pdf
- 基于關聯指標調整的文獻聚類研究.pdf
- 重疊聚類和屬性圖聚類算法研究.pdf
- 聚類算法及基于簇模式聚類集成研究.pdf
評論
0/150
提交評論