排序方式: 共有27条查询结果,搜索用时 0 毫秒
1.
谱聚类算法是建立在图论的基础上,将聚类问题转化为图的划分问题,能识别任意形状的类簇且易于实现,因此比传统聚类算法具有更强的适应性。然而,该算法中常用的距离度量不能同时考虑全局和局部一致性,且易受到噪声影响;聚类结果依赖由输入数据构造的相似度矩阵,且通过特征分解得到松弛划分矩阵和离散化过程的两步独立策略难以得到一个共同最优解。因此,提出一种结合共享近邻和流形距离的自适应谱聚类算法(SNN-MSC),引入一种新的具有指数项和比例因子的流形距离,可以灵活调整同一流形内数据的相似度和不同流形之间数据的相似度之比,并将密度因子纳入流形距离度量中,以消除噪声影响;采用共享近邻重新定义相似度度量,能挖掘数据点之间的空间结构和局部关系;同时,对拉普拉斯矩阵施加秩约束,使相似度矩阵中的连通分量完全等于簇个数,能够在优化求解过程中自适应优化数据相似度矩阵和聚类结构,无须再进行离散化操作。在人工数据集和UCI真实数据集上的对比实验显示,所提算法在多个聚类有效性指标上能体现出更好的性能。 相似文献
2.
4.
基于概念的构造和形式背景的构成,文中从三支决策的视角探究不同概念格之间的内在联系,分别对比不完备形式背景和经典形式背景中的概念格及直觉模糊形式背景和模糊形式背景中的概念格,展现三支决策在概念格理论中的重要价值.通过对比可以看出,相比经典形式背景和模糊形式背景中的概念格,不完备形式背景和直觉模糊形式背景中的概念格体现三支决策思想,具有数据存储所占空间更小,属性约简更简洁等优势. 相似文献
5.
6.
密度峰值聚类算法(DPC)是一种简单高效的无监督聚类算法,能够快速找到聚类中心完成聚类。该算法通过截断距离定义局部密度未考虑样本点的空间分布特征;通过决策图选择聚类中心点,具有较强人为主观性;在分配样本点时采用单一分配策略,易产生连带错误。因此提出一种自适应聚类中心策略优化的密度峰值聚类算法(ADPC),采用共享近邻定义两点之间的相似性度量,重新定义了局部密度,使局部密度反应样本间的空间分布特征;通过相邻点之间斜率差分确定样本密度ρ与相对距离δ的乘积γ值的“拐点”,并对γ进行幂函数变换,以提高潜在聚类中心与非聚类中心的区分度,利用决策函数确定潜在的聚类中心,再通过潜在聚类中心之间距离均值自适应确定真实聚类中心;优化了非聚类中心点的分配策略。通过在UCI以及人工数据集上进行实验,该算法都可以自适应准确选定聚类中心,且在一定程度上提高了聚类性能。 相似文献
7.
本文结合机器人控制和轮式抛光技术的优点,开展了轮式技术研究。运用数值仿真模拟其抛光加工,论证了轮式抛光工具在精密元件抛光过程中的可行性;设计了可在机器人末端安装的轮式抛光工具,分析机器人轮式抛光控制逻辑和控制框架,建立基于轨迹和驻留时间的机器人抛光控制模型;开展机器人轮式抛光单点去除特性和环带去除特性性能测试实验,确定机器人轮式抛光工艺参数,实现样件表面整体自动研抛加工,面形误差由初始值PV:2.357λ,RMS:0.565λ,收敛到PV:1.431λ,RMS:0.242λ,初步达到预期的去除效果。研究表明,工业机器人轮式抛光方法是一种有效的表面抛光方法,在中高精度飞非球面元件的抛光中具有很大的潜力。 相似文献
8.
Phillips q-Bézier曲线是一类包含q-整数的广义Bézier曲线。针对二次Phillips q-Bézier曲线的曲率单调条件,从代数和几何两方面进行了研究,构造出曲率单调的二次Phillips q-Bézier曲线及曲率单调递减的组合二次Phillipsq-Bézier曲线。首先,通过曲线曲率的坐标表示,探究代数形式的曲率单调条件,定义曲率单调包围圆,给出二次Phillips q-Bézier曲线具有单调曲率的几何充要条件。当形状参数q=1时,Phillips q-Bézier曲线退化为经典的Bézier曲线,因此上述曲率单调条件包含经典二次Bézier曲线的结果。其次,讨论二次Phillips q-Bézier曲线间的G2光滑拼接条件及条件中的各个参数对拼接曲线的影响。再次,对于给定首末控制顶点的曲线,选择合适的中间控制顶点,求得使其具有单调曲率时形状参数的取值范围,构造出曲率单调的单条二次Phillips q-Bézier曲线。进而,构造出同时满足G2拼接与曲率单调递减的组合二次Phillips q-Bézier曲线。最后... 相似文献
9.
10.
为实现图像显著区域或目标的低级特征与语义信息有意义的结合,以获取结构更完整、边界更清晰的显著性检测结果,提出一种结合双流特征融合及对抗学习的彩色图像显著性检测(SaTSAL)算法.首先,以VGG-16和Res2Net-50为双流异构主干网络,实现自底向上、不同级别的特征提取;之后,分别针对每个流结构,将相同级别的特征图... 相似文献