共查询到4条相似文献,搜索用时 93 毫秒
1.
K-medoids算法作为聚类算法的一种,不易受极端数据的影响,适应性广泛,但是K-medoids聚类算法的精确度不稳定,平均准确率较低,用于实际的聚类分析时效果较差.ACO是一种仿生优化算法,其具有很强的健壮性,容易与其他方法相结合,求解效率高等特点.在K-medoids聚类算法的基础上,借鉴ACO算法的优点,提出了一种新的聚类算法,它提高了聚类的准确率,算法的稳定性也比较高.通过仿真实验,验证了算法的可行性和先进性. 相似文献
2.
基于MPI的并行PSO混合K均值聚类算法 总被引:2,自引:0,他引:2
传统的串行聚类算法在对海量数据进行聚类时性能往往不尽如人意,为了适应海量数据聚类分析的性能要求,针对传统聚类算法的不足,提出一种基于消息传递接口(MPI)集群的并行PSO混合K均值聚类算法。首先将改进的粒子群与K均值结合,提高该算法的全局搜索能力,然后利用该算法提出一种新的并行聚类策略,并将该算法与K均值聚类算法、粒子群优化(PSO)聚类算法进行比较。实验结果表明,该算法不仅具有较好的全局收敛性,而且具有较高的加速比。 相似文献
3.
4.
基于灰色关联分析的高感兴趣度数据挖掘算法研究 总被引:1,自引:0,他引:1
数据挖掘与知识评价相结合是数据挖掘工作研究的重要方面,也是发挥数据挖掘潜力的重要手段.讨论了数据挖掘和知识评价的结合方式以及灰色关联分析,提出并实现了用灰色关联分析方法构建"感兴趣产生器"并结合关联规则的数据挖掘框架及算法.最后,通过实例证明了该算法挖掘效率高、挖掘效果好,挖掘结果有较高的用户感兴趣度. 相似文献