排序方式: 共有8条查询结果,搜索用时 15 毫秒
1
1.
针对基于共享最近邻的密度峰聚类算法中的近邻参数需要人为设定的问题,提出了一种基于自适应近邻参数的密度峰聚类算法。首先,利用所提出的近邻参数搜索算法自动获得近邻参数;然后,通过决策图选取聚类中心;最后,根据所提出的代表点分配策略,先分配代表点,后分配非代表点,从而实现所有样本点的聚类。将所提出的算法与基于共享最近邻的快速密度峰搜索聚类(SNN?DPC)、基于密度峰值的聚类(DPC)、近邻传播聚类(AP)、对点排序来确定聚类结构(OPTICS)、基于密度的噪声应用空间聚类(DBSCAN)和K-means这6种算法在合成数据集以及UCI数据集上进行聚类结果对比。实验结果表明,所提出的算法在调整互信息(AMI)、调整兰德系数(ARI)和FM指数(FMI)等评价指标上整体优于其他6种算法。所提算法能自动获得有效的近邻参数,且能较好地分配簇边缘区域的样本点。 相似文献
2.
3.
4.
5.
罗小华 《佳木斯工学院学报》2011,(1):90-95
从数字几何的角度,对数字拓扑学中有关k-近邻点问题进行整体的探讨及改进.重点给出了任意n维空间中k-近邻点中k可能取值的一般推导公式及相关结论的证明,为进一步研究k-近邻点相关内容提供了有力的理论依据. 相似文献
6.
7.
k-LDCHD--高维空间k邻域局部密度聚类算法 总被引:7,自引:0,他引:7
聚类是数据挖掘领域的一项重要课题,高维空间聚类以数据分布稀疏、噪声数据多、“差距趋零现象”而成为难点.在分析现有聚类算法不足的基础上,引入k邻域点集、k邻域半径等概念,提出一种高维空间单参数k邻域局部密度聚类算法k—PCLDHD;为了提高算法的效率,进一步定义了参考距离等概念,并采用“双参考数据点”对数据集中的数据对象进行预处理,以减少扫描数据集的开销。提出k—PCLDHD的优化算法k—LDCHD.理论分析和实验结果表明,算法可以有效解决高维空间聚类问题,算法是有效可行的. 相似文献
8.
1