聚类分析是数据挖掘中的重要研究领域,传统的聚类算法通常划分为硬聚类和模糊聚类两类。提出一种基于对象集上的相容关系的新型聚类算法,通过极大相容簇对数据对象集进行分类。该算法使得同一对象可以属于不同的簇,每个簇具有独特的成员对象,从而实现了既不同于传统硬聚类也不同于模糊聚类的聚类效果。实验结果进一步验证了该算法在聚类分析中的合理性。
论文研究-基于相容关系的新型聚类算法
相关推荐
基于竞争学习的HMMs聚类方法研究论文
针对当前主流数据库审计系统存在的审计信息冗余、不灵活的审计配置方式以及数据统计分析能力不足等问题,我们提出了一种创新的数据库安全审计系统。该系统可以有效约简审计信息,支持灵活的审计配置,并能够有效检测潜在的数据库攻击,为数据库安全防护提供实用的解决方案。
统计分析
3
2024-07-14
基于地理位置的公交站点聚类算法研究论文
随着移动互联网和手机定位技术的进步,越来越多基于地理位置的服务(LBS)应运而生。其中,地图数据和公共交通数据对于这些应用和服务至关重要。研究了一种基于线路轨迹的公交站点聚类算法。
数据挖掘
1
2024-07-23
研究论文基于Hadoop的K-Means聚类算法优化与实施
针对传统K-Means聚类算法在处理海量数据时的局限性进行了探讨,特别是其对异常离群点数据的敏感性。结合Hadoop云计算平台和MapReduce并行编程框架,我们提出了一种优化方案,以改善聚类效果和处理效率。
数据挖掘
0
2024-08-14
研究论文-一种自然聚类发现的新算法.pdf
当前的聚类方法如K-means和DBSCAN采用全局参数,难以准确发现数据的自然聚类结构。新提出的分级聚类算法CluFNC通过调整网格大小、噪声阈值和神经节点数量,能够在数据空间中精确识别内部聚类特征。该算法首先根据参数划分数据空间网格,然后利用高斯影响函数计算每个单元的场强,接着运用SOM算法对网格位置和场强进行聚类,最后通过Chameleon算法对SOM聚类得到的神经网络节点权值进行最终的数据空间聚类映射。理论和实验结果表明,该算法能有效发现数据中的自然聚类特性。
数据挖掘
2
2024-07-31
基于非参数贝叶斯模型的新型聚类算法(2013年)
聚类分析是机器学习和数据挖掘领域重要技术之一,与监督学习不同,聚类分析无需类别或标签指导,因此如何选择适当的聚类个数一直是难点。为解决这一问题,提出了一种基于Dirichlet过程混合模型的新型聚类算法,采用collapsed Gibbs采样算法对模型参数进行估计。新算法基于非参数贝叶斯模型框架,通过连续采样优化模型参数,实现自适应聚类个数。在人工合成和真实数据集上的实验表明,该算法表现出良好的聚类效果。
数据挖掘
0
2024-08-14
基于SSE度量的K-means聚类算法聚类个数自适应研究
K均值聚类算法是数据挖掘中常见的无监督学习方法,其簇间数据对象越相异、簇内数据对象越相似,说明聚类效果越好。然而,确定簇个数通常需要有经验的用户设定参数。提出了一种基于SSE和簇的个数度量的自适应聚类方法(简称:SKKM),能够自动确定聚类个数。通过对UCI数据集和仿真数据的实验验证,结果表明改进的SKKM算法能够快速准确地确定数据对象中的聚类个数,提升了算法性能。
数据挖掘
2
2024-07-18
研究论文改进频繁模式聚类算法以优化网站结构
分析了现有频繁模式聚类算法存在的问题,并提出了改进距离函数。在基于模式聚类函数的基础上,引入了压缩偏序算法(FCWSO算法)。实验表明,该算法能够高效、高质量地压缩频繁序列模式,生成更为精简、信息量更大的模式,从而提升发现频繁访问序列的效果。
数据挖掘
0
2024-09-14
论文研究-基于工程力学与有限元分析的聚类算法.pdf
基于工程力学与有限元分析的聚类算法,王清江,张宪超,聚类是数据挖掘中重要的技术之一,广泛应用于市场分析、金融预测、卫星图像处理等领域。然而现有的聚类算法大多集中于距离度量和数据点分布。
数据挖掘
2
2024-07-16
研究论文-基于K-means的有限增量聚类算法及其k值探讨.pdf
基于K-means的有限增量聚类算法及k值研究,姚文心,卢志国,聚类算法在数据挖掘、模式识别和信息抽取等领域广泛应用。随着互联网技术的进步,数据呈现动态增长特性。探索如何有效聚类动态数据是当前研究的关键问题。
数据挖掘
2
2024-07-29