您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. 数据挖掘原理与SPSS Clementine应用-聚类分析教程

  2. 聚类分析原理 聚类分析常用算法分类 划分聚类方法 层次聚类方法 基于密度的聚类方法 基于网格的聚类方法 基于模型的聚类方法 高维数据的聚类方法 模糊聚类FCM 应用实例分析
  3. 所属分类:其它

    • 发布日期:2010-01-11
    • 文件大小:170kb
    • 提供者:yxinfa
  1. 基于网格的聚类方法研究.pdf

  2. 【摘要】:随着网格技术和数据挖掘技术的成熟,基于网格的数据挖掘应用越来越广泛。简要的介绍网格和数据挖掘的基础知识,并结合局域网中个人计算机的特点,分析由个人计算机组建的网格环境下的数据挖掘过程,并给出了数据挖掘的过程图以及每一个阶段要完成的主要工作。
  3. 所属分类:专业指导

    • 发布日期:2010-07-20
    • 文件大小:953kb
    • 提供者:zhujian2012
  1. 数据挖掘--概念与技术

  2. 目录 第一章 引言 ......................................................................................................................................................... 8 1.1 什么激发数据挖掘?为什么它是重要的?.............................................................
  3. 所属分类:Web开发

    • 发布日期:2010-09-06
    • 文件大小:1mb
    • 提供者:huanghyw
  1. 聚类分析的简介 易于了解各种聚类

  2. 聚类简介 对聚类的典型要求 聚类分析计算方法下几种: 1. 划分法(partitioning methods) 2. 层次法(hierarchical methods) 3. 基于密度的方法(density-based methods) 4. 基于网格的方法(grid-based methods) 5. 基于模型的方法(model-based methods)
  3. 所属分类:专业指导

    • 发布日期:2011-08-20
    • 文件大小:7kb
    • 提供者:pure_qi
  1. 分层K-means

  2. 聚类分析是数据挖掘中的一个重要领域,是数据划分或分组处理的重要手段和方法,聚类分析已经应该于广泛的领域。聚类算法可以分为基于层次的方法、基于划分的方法、基于网格的方法、基于密度的方法和基于模型的方法
  3. 所属分类:其它

    • 发布日期:2014-07-30
    • 文件大小:5mb
    • 提供者:tiantian11222
  1. 聚类算法简单总结

  2. 对聚类算法的简单总结。聚类分析的算法可以分为划分法(Partitioning Methods)、层次法(Hierarchical Methods)、基于密度的方法(density-based methods)、基于网格的方法(grid-based methods)、基于模型的方法(Model-Based Methods)。
  3. 所属分类:机器学习

    • 发布日期:2017-09-07
    • 文件大小:19kb
    • 提供者:u011426126
  1. 一种基于网格方法的高维数据流子空间聚类算法

  2. 基于对网格聚类方法的分析,结合由底向上的网格方法和自顶向下的网格方法,设计了一个能在线处理高维数据流的子空间聚类算法。通过利用由底向上网格方法对数据的压缩能力和自顶向下网格方法处理高维数据的能力,算法能基于对数据流的一次扫描,快速识别数据中位于不同子空间内的簇。理论分析以及在多个数据集上的实验表明算法具有较高的计算精度与计算效率。
  3. 所属分类:算法与数据结构

    • 发布日期:2018-06-16
    • 文件大小:463kb
    • 提供者:qq_28339273
  1. 基于混合网格划分的子空间高维数据聚类算法

  2. 提出一种基于混合网格划分的子空间高维数据聚类算法。该算法消除了各个属性分量数值范围大小对计算的影响;有效去除冗余属性以提高聚类准确性与降低时间复杂度。根据数据分布情况灵活选择固定网格划分或是自适应网格划分,利用这二种不同的网格划分方法具有的优点,以实现进一步降低算法的时间复杂度和提高聚类结果的准确性,并使算法具有更优的可伸缩性。实验使用仿真数据表明,该算法在处理具有属性值域范围大的高维大规模数据时是实用有效的。
  3. 所属分类:算法与数据结构

    • 发布日期:2018-06-16
    • 文件大小:241kb
    • 提供者:qq_28339273
  1. 小波聚类代码

  2. 根据网格聚类中的小波变换聚类方法原理,写出小波变换聚类代码
  3. 所属分类:机器学习

    • 发布日期:2018-11-13
    • 文件大小:30kb
    • 提供者:weixin_43326944
  1. Clustering-Algorithms-master.zip

  2. 基于Python实现了K-Means、GMM、DBSCAN、AGNES等四种常见的聚类算法. 很难对聚类方法提出一个简洁的分类,因为这些类别可能重叠,从而使得一种方法具有几类的特征,尽管如此,对于各种不同的聚类方法提供一个相对有组织的描述依然是有用的,为聚类分析计算方法主要有如下几种:划分法(Partitioning Methods)、层次法(Hierarchical Methods)、基于密度的方法(density-based methods)、基于网格的方法(grid-based meth
  3. 所属分类:机器学习

  1. 一种基于交通网格划分的出租车轨迹数据空间聚类方法

  2. 一种基于交通网格划分的出租车轨迹数据空间聚类方法,毛峰,刘婷,作为使用最为广泛的交通出行方式之一,出租车的运行轨迹中不但具有道路网络交通信息,还含有乘客的出行行为特征。对出租车轨迹进
  3. 所属分类:其它

  1. 科技文献数据挖掘关键技术研究.pdf

  2. 科技文献数据挖掘关键技术研究分类号 密级: UDC 编号 工学硕士学位论文 科技文献数据挖掘关键技术研究 硕士研究生:李梦阳 指导教师:姚念民教授 学位级别:工学硕士 学科、专业:计算机科学与技术 所在单位:计算机科学与技术学院 论文提交日期:2015年3月3日 论文答日期:2015年3月13日 学位授予单位:哈尔滨工程人学 Classified Index U. D. C. A Dissertation for the degree of M. Eng Research on key tec
  3. 所属分类:互联网

    • 发布日期:2019-07-08
    • 文件大小:2mb
    • 提供者:dddds123
  1. K-均值聚类算法研究

  2. 【摘要】 目前,对于聚类问题的研究普遍存在于社会生活中的各个领域,如模式识别、图像处理、机器学习和统计学等。关于对生活中各种各样的数据的聚类分类问题已经成为众多学者的研究热题之一。聚类和分类的区别在于,聚类没有任何先验知识可循,要通过数据自身的特点,将数据自动的划分到不同的类别中。聚类的基本形式定义为“在已给的数据集合中寻找数据点集的同类集合。每一个集合叫做一个类,并确定了一个区域,在区域中对象的密度高于其他区域中的密度。”聚类方法有很多种,其中最简单的形式便是划分式聚类,划分式聚类试图将给定的
  3. 所属分类:互联网

    • 发布日期:2020-07-04
    • 文件大小:3mb
    • 提供者:songzailu6482
  1. 改进的高效模糊C均值聚类算法

  2. 在数据采集过程中结合网格聚类算法提高计算效率,为了保存采样数据的分布特点引入权值。根据类别中心密度高、权值大的特征采用寻找连通分量的方法初步确定聚类中心,在此基础上结合自适应免疫算法,动态地确定聚类中心及其类别数。进而使FCM算法跳出局部最优,最大可能地得到全局最优解。
  3. 所属分类:其它

    • 发布日期:2020-10-17
    • 文件大小:303kb
    • 提供者:weixin_38706100
  1. Python聚类算法之DBSACN实例分析

  2. 本文实例讲述了Python聚类算法之DBSACN。分享给大家供大家参考,具体如下: DBSCAN:是一种简单的,基于密度的聚类算法。本次实现中,DBSCAN使用了基于中心的方法。在基于中心的方法中,每个数据点的密度通过对以该点为中心以边长为2*EPs的网格(邻域)内的其他数据点的个数来度量。根据数据点的密度分为三类点: 核心点:该点在邻域内的密度超过给定的阀值MinPs。 边界点:该点不是核心点,但是其邻域内包含至少一个核心点。 噪音点:不是核心点,也不是边界点。 有了以上对数据点的划分,聚合可
  3. 所属分类:其它

    • 发布日期:2020-12-25
    • 文件大小:60kb
    • 提供者:weixin_38530211
  1. 基于组合聚类的cDNA微阵列图像分割方法

  2. 通过同时分析数千种基因表达,微阵列技术在得出有用的生物学结论中起着重要作用。 特别地,图像分析是微阵列分析中的关键步骤,其准确性在很大程度上取决于分割。 基于聚类的分割的开创性工作表明,k-means聚类算法和移动k-means聚类算法是微阵列图像处理中的两种常用方法。 然而,由于真实的微阵列图像包含大小,形状和对比度不同的噪声,伪像和斑点,因此它们通常面临令人满意的结果。 为了提高分割精度,在本文中,我们提出了一种基于组合聚类的分割方法,该方法可能更可靠并且能够自动分割斑点。 首先,这种新方法
  3. 所属分类:其它

  1. 磁共振图像中脑组织分割的多网格非局部高斯混合模型

  2. 我们提出了一种基于区域和非局部信息的新颖分割方法,以克服图像强度不均匀性和噪声在人脑磁共振图像中的影响。 考虑到大脑图像中不同组织的空间分布,我们的方法不需要针对强度不均匀性和噪声进行预先估计或预先校正的过程。 为了减少噪声的影响,提出了一种基于非局部信息的高斯混合模型(NGMM)。 为了减少强度不均匀性的影响,提出了一种多网格非局部高斯混合模型(MNGMM)来分割使用新的多网格生成方法生成的每个不重叠的多网格中的脑部MR图像。 因此,提出的模型可以同时克服噪声和强度不均匀性的影响,并将2D和3
  3. 所属分类:其它

  1. 基于网格的聚类算法

  2. 本文于cloud.tencent.com,介绍了典型算法,CLIQUE聚类算法,WaveCluster算法,WaveCluster聚类算法等。俗话说:“物以类聚,人以群分”,在机器学习中,聚类算法是一种无监督分类算法。聚类算法很多,包括基于划分的聚类算法(如:kmeans),基于层次的聚类算法(如:BIRCH),基于密度的聚类算法(如:DBScan),基于网格的聚类算法等等。基于划分和层次聚类方法都无法发现非凸面形状的簇,真正能有效发现任意形状簇的算法是基于密度的算法,但基于密度的算法一般时间复
  3. 所属分类:其它

    • 发布日期:2021-02-25
    • 文件大小:588kb
    • 提供者:weixin_38610070
  1. Generalized_K-means_on_Graphs:图上的广义K均值是一种利用诸如PageRank,调和中心度等中心性度量来获得有向图和无向图的k均值聚类算法的算法。-源码

  2. 图上的广义k均值 图上的广义K均值是一种利用诸如PageRank,谐波中心度等中心性度量的方法,在有向图和无向图上获得类似k均值的聚类算法。 该算法是可生成的,适用于图形,网格,点云甚至度量空间。 该算法的详细信息在论文中进行了描述: 脚本说明 此处演示的脚本可用于获取聚类图以及点云。 包装要求 NetworkX> = 2.0(基于图形的库) scikit学习> = 0.23.2 NumPy 入门:检测复杂网络中的社区 import numpy as np import net
  3. 所属分类:其它

    • 发布日期:2021-02-13
    • 文件大小:271kb
    • 提供者:weixin_42121754
  1. 基于网格的聚类算法

  2. 本文于cloud.tencent.com,介绍了典型算法,CLIQUE聚类算法,WaveCluster算法,WaveCluster聚类算法等。俗话说:“物以类聚,人以群分”,在机器学习中,聚类算法是一种无监督分类算法。聚类算法很多,包括基于划分的聚类算法(如:kmeans),基于层次的聚类算法(如:BIRCH),基于密度的聚类算法(如:DBScan),基于网格的聚类算法等等。基于划分和层次聚类方法都无法发现非凸面形状的簇,真正能有效发现任意形状簇的算法是基于密度的算法,但基于密度的算法一般时间复
  3. 所属分类:其它

    • 发布日期:2021-01-27
    • 文件大小:588kb
    • 提供者:weixin_38728347
« 12 »