本文選題：能量距離 + 組間組內(nèi)距離��； 參考：《統(tǒng)計(jì)與決策》2017年22期

【摘要】：能量距離源于牛頓重力勢(shì)能,作為一種統(tǒng)計(jì)觀測(cè)距離函數(shù),近年來(lái)得到了越來(lái)越廣泛的應(yīng)用,文章將其用于聚類算法研究。能量距離函數(shù)定義為組間組內(nèi)對(duì)象的指數(shù)距離之差,將傳統(tǒng)的Ward最小離差平方和法(指數(shù)為2)進(jìn)行了推廣。組間組內(nèi)距離統(tǒng)計(jì)量決定了聚類算法的超度量性和空間擴(kuò)張性,指數(shù)小于2的情形還具有統(tǒng)計(jì)一致性。推廣后的Ward聚類算法能夠區(qū)分具有幾乎相同重心的類,是該方法相比傳統(tǒng)聚類算法的優(yōu)勢(shì)所在,最后通過實(shí)驗(yàn)驗(yàn)證上述結(jié)論。
[Abstract]:Energy distance is derived from Newtonian gravitational potential energy. As a statistical observation distance function, it has been used more and more widely in recent years. In this paper, it is applied to clustering algorithm. The energy distance function is defined as the difference of exponential distance between groups. The traditional Ward least deviation square sum method (exponential 2) is generalized. The intra-group distance statistics determine the hypermetric and spatial expansibility of the clustering algorithm, and the statistical consistency exists when the index is less than 2. The extended Ward clustering algorithm can distinguish the clusters with almost the same center of gravity, which is the advantage of this method compared with the traditional clustering algorithm. Finally, the above conclusions are verified by experiments.
【作者單位】： 中國(guó)地質(zhì)大學(xué)(武漢)數(shù)學(xué)與物理學(xué)院;
【分類號(hào)】：TP311.13

【相似文獻(xiàn)】

相關(guān)博士學(xué)位論文 前2條

1 超木日力格;基于雅克比矩陣的軟劃分聚類算法分析[D];北京交通大學(xué);2017年

2 高兵;基于密度的數(shù)據(jù)流聚類方法研究[D];哈爾濱工程大學(xué);2014年

相關(guān)碩士學(xué)位論文 前6條

1 張燦龍;不確定DM-chameleon聚類算法在滑坡危險(xiǎn)性預(yù)測(cè)的研究及應(yīng)用[D];江西理工大學(xué);2017年

2 郭亞銳;面向大規(guī)模數(shù)據(jù)的多視角K-means聚類算法的研究[D];鄭州大學(xué);2017年

3 曹曉鋒;面向維度的高維聚類邊界檢測(cè)技術(shù)研究[D];鄭州大學(xué);2017年

4 邱雪營(yíng);基于圖像視覺上下文的多元IB聚類算法[D];鄭州大學(xué);2017年

5 栗國(guó)保;基于MapReduce的分布式聚類算法的研究[D];江西理工大學(xué);2017年

6 賈yN愷;基于深度特征學(xué)習(xí)的目標(biāo)檢測(cè)與跟蹤算法研究[D];西安科技大學(xué);2017年

，

本文編號(hào)：1926110