排序方式： 共有62条查询结果，搜索用时 0 毫秒
61.
由于缺少数据分布、参数和数据类别标记的先验信息,部分基聚类的正确性无法保证,进而影响聚类融合的性能;而且不同基聚类决策对于聚类融合的贡献程度不同,同等对待基聚类决策,将影响聚类融合结果的提升。为解决此问题,提出了基于随机取样的选择性K-means聚类融合算法（RS-KMCE）。该算法中的随机取样策略可以避免基聚类决策选取陷入局部极小,而且依据多样性和正确性定义的综合评价值,有利于算法快速收敛到较优的基聚类子集,提升融合性能。通过2个仿真数据库和4个UCI数据库的实验结果显示：RS-KMCE的聚类性能优于K-means算法、K-means融合算法（KMCE）以及基于Bagging的选择性K-means聚类融合（BA-KMCE）。 相似文献
62.
为了解智能可穿戴产品的发展现状、满足消费者对智能可穿戴产品的期望,以跑步智能可穿戴产品为例,采用问卷调查和产品调研的方式,对其消费需求与产品现状进行匹配分析。将国内外38款跑步智能可穿戴产品的常见功能、个性化运动计划定制情况和价格同消费需求进行对比,发现所调查的产品都已基本具备数据记录功能,其中5.2%的产品可"监测肌肉活动",但没有产品能满足消费者需求最强烈的"检测关节活动"功能; 26.3%的产品可以根据用户个人的运动数据变化而给出相应的运动建议,或定制个性化的运动计划,与消费需求的匹配度较低;国内外智能可穿戴产品价格差异较大,国内产品基本满足了71.12%的消费者对跑步智能可穿戴产品价格不超过1 000元期望。说明当前跑步智能可穿戴产品的功能不够完善,产品与需求的匹配度不高,有待进一步的研究和改进。 相似文献