共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
一种改进的特征加权K-means聚类算法 总被引:4,自引:0,他引:4
提出了一种改进的特征加权K-means聚类算法.该算法首先基于数据样本分布选取初始聚类中心,然后设计特征加权的K-means聚类算法.实验结果证明,该算法能产生质量较高的聚类结果,并且能处理数值、符号两类数据. 相似文献
3.
目标检测是红外图像处理环节中的重要组成部分,检测结果直接影响后续处理。在分析红外图像特点的基础上,采用改进的Top-Hat算子对红外图像中的噪声点进行抑制,同时基于传统K-means聚类思想,提出基于二维梯度信息的K-means聚类目标检测算法。实验结果表明,该方法抑制噪声作用明显,能很好地检测出红外图像中的目标,为后续图像处理工作打下较好的基础。 相似文献
4.
5.
随着信息技术的高速发展,数据对社会生产与生活中诸多领域的影响越来越突出;数据聚类分析是将数据以无监督方法,根据数据的特征划分成多个簇,聚类分析是对数据进一步处理的基础。本文主要研究基于K-means算法的聚类方法,介绍了K-means算法的原理和实现过程,分析了K-means聚类算法的性能以及不同因子对K-means聚类算法的影响机理。本文的研究能够为无监督聚类过程的设计与应用提供理论指导。 相似文献
6.
7.
8.
本文对传统蚂蚁聚类算法易出现早熟和收敛速度慢的问题,提出了基于改进K-means蚂蚁聚类算法,并将优化后的聚类算法与优化填充策略结合,对半失能老人远程健康监测缺失数据进行填充。仿真结果说明:改进K-means蚂蚁聚类算法的分类精度有所提高,基于改进K-means蚂蚁聚类的缺失数据填充算法的填充效果有所改善,可以有效填充半失能老人远程健康监测的缺失数据。 相似文献
9.
10.
为准确检测光通信网络异流数据,提出基于人工智能技术的光通信网络异流数据检测方法。基于K-means聚类分析光通信网络流数据特征类型,实现特征聚类,预处理去除聚类后的网络流数据特征样本中的冗余特征;将预处理后的特征样本作为识别样本,以识别异常网络流数据特征的形式,检测异流数据。实验结果验证:此方法对多种光通信网络异流数据的检测结果与实际情况一致,具有准确检测光通信网络异流数据能力。 相似文献
11.
12.
为加强对网络数据流异常检测误报率的控制,进行多维度的动态化检测,营造更加稳定、可靠的数据流异常检测方法。文章结合聚类分析技术,构建网络数据流异常检测方法。先进行数据流模态的描述,针对数据的异常状态,完成并行聚类特征提取,随即布设K-means异常感应节点,并以此作为基础,逐步构建聚类衰减检测模型,采用交叉部署法实现数据流异常检测。最终的异常检测结果表明:对比于传统概率数据流异常检测组、传统多模态数据流异常检测组,文章所设计的聚类分析数据流异常检测组最终得出的数据流异常检测误报率仅为1.01,实现了较为有效的控制,进一步提升了异常检测能力,逐步营造更加稳定、安全的检测环境,结构更加可靠、精准,具有实际的应用价值。 相似文献
13.
随着等级测评工作的定期进行,等级测评过程中会不断产生并积累海量的测评数据,但是从以测评报告形式存在的测评数据中无法有效地提取出有价值的信息,无法为后续的等级保护工作形成参考指导。利用K-means聚类算法对等级测评数据进行了分析。首先,介绍了等级测评的概念及基本内容;然后,阐述了K-means聚类算法理论;最后,详细地介绍了基于K-means聚类算法的等级测评数据分析的具体流程,为等级测评数据的充分利用提供了一定的参考。 相似文献
14.
15.
基于划分的数据挖掘K-means聚类算法分析 总被引:1,自引:0,他引:1
《现代电子技术》2020,(3):14-17
为提升数据挖掘中聚类分析的效果,在分析数据挖掘、聚类分析、传统K-means算法的基础上,提出一种改进的K-means算法。首先将整体数据集分为k类,然后设定一个密度参数为■,该密度参数反映数据库中数据所处区域的密度大小,■值与密度大小成正比,通过密度参数优化k个样本数据的聚类中心点选取;依据欧几里得距离公式对未选取的其他数据到各个聚类中心之间的距离进行计算,同时以此距离为判别标准,对各个数据进行种类划分,从而得到初始的聚类分布;初始聚类分布得到之后,对每一个分布簇进行再一次的中心点计算,并判断与之前所取中心点是否相同,直到其聚类收敛达到最优效果。最后通过葡萄酒数据集对改进算法进行验证分析,改进算法比传统K-means算法的聚类效果更优,能够更好地在数据挖掘当中进行聚类。 相似文献
16.
17.
将K-means聚类算法应用到无线局域网(WLAN)位置指纹定位中,虽然可以缩短定位时间,但是容易降低定位精度。为了解决此问题,提出了基于改进指纹聚类的WLAN定位优化方法。首先根据接收信号强度标准差来优化初始聚类中心的选取,然后对指纹数据进行聚类处理,最后进行在线定位。实验结果表明,与传统的WLAN位置指纹定位方法和K-means聚类定位方法相比,基于改进指纹聚类的定位优化方法不仅缩短了定位时间,还能有效提高定位精度。 相似文献
18.
针对航空发动机叶片缺陷检测过程中表面噪声较大以及检测精度较低的问题,提出了一种基于改进YOLOv5的叶片表面缺陷检测方法。通过叶片表面缺陷图像采集和典型缺陷标注构建了航空发动机叶片表面缺陷数据集;采用K-means++算法代替K-means算法对标记框进行聚类,获得最适合该数据集中标记框的锚框;在主干网络中结合CBAM注意力机制模块,并且采用EIoU损失函数替换原CIoU损失函数,提高对叶片表面缺陷特征的提取能力。对比实验结果表明所提出的方法相较于YOLOv5算法在平均精度均值上提升了1.4%,相较于FasterRCNN和YOLOv3,本方法在平均精度均值上分别提升了13%和2.9%。 相似文献
19.