本文選題：K-means + 多變量�。� 參考：《科技通報(bào)》2017年12期

【摘要】：針對(duì)K-means聚類算法無(wú)法確定k值,并容易忽視在多維角度下進(jìn)行聚類的缺點(diǎn),本文提出了改進(jìn)的多維度的加權(quán)的算法,在自適應(yīng)K-means聚類算法的基礎(chǔ)上引入了視圖權(quán)重和變量權(quán)重,得到了包含多層變量的目標(biāo)函數(shù),通過數(shù)學(xué)證明使得目標(biāo)函數(shù)最小化,得到最優(yōu)的聚類效果。實(shí)驗(yàn)采用3個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集作為聚類研究的對(duì)象,通過與FCM算法比較,說(shuō)明了本文算法在聚類方面具有良好的效果。
[Abstract]:For K-means clustering algorithm can not determine k value, and it is easy to ignore the shortcomings of clustering in multi-dimensional perspective, this paper proposes an improved multi-dimensional weighted algorithm, which introduces view weight and variable weight on the basis of adaptive K-means clustering algorithm. The objective function containing multi-layer variables is obtained. The objective function is minimized by mathematical proof and the optimal clustering effect is obtained. In the experiment, three standard data sets are used as the object of clustering research. Compared with FCM algorithm, this algorithm has a good effect on clustering.
【作者單位】： 甘肅中醫(yī)藥大學(xué);
【分類號(hào)】：TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前4條

1 蔡秋茹;柳益君;羅燁;朱廣萍;葉飛躍;;基于K-means聚類的電信企業(yè)客戶分群決策[J];江南大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年02期

2 張濟(jì)強(qiáng);高玉良;;遺傳模擬退火算法在k-means聚類中的應(yīng)用[J];電腦知識(shí)與技術(shù);2012年07期

3 賈花萍;李堯龍;哈渭濤;史曉影;;K-means聚類神經(jīng)網(wǎng)絡(luò)分類器在睡眠腦電分期中的應(yīng)用研究[J];河南科學(xué);2012年06期

4 李學(xué)勇;高國(guó)紅;孫甲霞;;基于互信息和K-means聚類的信息安全風(fēng)險(xiǎn)評(píng)估[J];河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年02期

相關(guān)博士學(xué)位論文 前2條

1 蔡?hào)|琪;受控環(huán)境下靈長(zhǎng)類動(dòng)物行為模式分析與識(shí)別[D];北京郵電大學(xué);2016年

2 朱素果;運(yùn)動(dòng)目標(biāo)的跨尺度檢測(cè)與跟蹤方法研究[D];北京郵電大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10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 程凱;聚類集成中基聚類器的優(yōu)化研究[D];寧波大學(xué);2017年

3 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

4 張亞男;基于混合聚類算法的微博熱點(diǎn)話題發(fā)現(xiàn)的研究[D];杭州電子科技大學(xué);2017年

5 霍佳佳;一種基于聚類的語(yǔ)義WEB服務(wù)發(fā)現(xiàn)方法研究[D];哈爾濱工程大學(xué);2014年

6 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

7 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

8 許允棟;K-means聚類算法的改進(jìn)與應(yīng)用[D];廣西師范大學(xué);2015年

9 丁斌;基于布谷鳥算法的K-means聚類挖掘算法研究[D];合肥工業(yè)大學(xué);2015年

10 賀艷芳;熵加權(quán)多視角核k-means聚類算法的研究[D];鄭州大學(xué);2016年

，

本文編號(hào)：2057647