研究论文改进频繁模式聚类算法以优化网站结构

Kmeans聚类算法改进研究.pdf

Kmeans算法在模式识别和数据挖掘等领域应用广泛。针对高维度数据聚类效果差的问题，李森林和蒋启明提出了一种改进方法。

数据挖掘 5 2024-04-30

频繁模式挖掘算法：观测研究

频繁模式挖掘在数据挖掘中扮演着关键角色，存在多种算法。本研究探索了模式连续挖掘中算法相关的主要问题和挑战。

数据挖掘 5 2024-05-25

论文研究-基于相容关系的新型聚类算法

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。

数据挖掘 1 2024-08-04

自适应谱聚类算法改进

通过提出一种自适应谱聚类算法改进方案，在传统谱聚类算法的基础上，通过自适应调整核函数参数和聚类簇数，提升了算法对任意形状样本空间的聚类性能，实验验证了改进算法的有效性。

数据挖掘 3 2024-05-25

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

改进的点对点环境下的聚类算法优化方案

在P2PK-Means算法的基础上，提出了一种名为DK-Means的改进数据聚类算法。该算法通过在直接相连的节点间进行局部通信，利用本地存储的直接相邻节点聚类信息来降低整体通信开销，避免了全局同步的需要。与P2PK-Means算法相比，实验结果显示改进后的算法显著减少了通信量，且在聚类准确度上无损失。随着节点数量增加，DK-Means算法的通信需求增长速度明显低于P2PK-Means算法。

数据挖掘 0 2024-09-22

金融时序数据频繁模式挖掘算法研究

金融时序数据蕴含着丰富的市场信息，有效挖掘其中的频繁模式对于预测市场趋势、防范金融风险具有重要意义。然而，金融时序数据具有高噪声、高维度的特点，传统频繁模式挖掘算法难以有效应用。 针对上述问题，重点研究面向金融时序数据的快速频繁模式挖掘算法。首先，对金融时序数据进行预处理，降低噪声干扰并提取关键特征；其次，设计高效的频繁模式挖掘算法，降低算法时间复杂度，提高挖掘效率；最后，通过实验验证所提算法在金融时序数据集上的有效性和效率。 的研究成果预期能够为金融市场分析提供新的技术支持，推动金融风险防控和智能决策的发展。

数据挖掘 1 2024-06-11

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

聚类算法研究进展综述

总结聚类算法的研究现状及新进展 分析代表性算法的算法思想、关键技术和优缺点 对典型算法进行实验对比，分析不同数据集和算法的聚类情况 提出聚类分析的研究热点、难点和待解决问题

数据挖掘 2 2024-05-25