期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到5篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于k-中心点法的改进粒子群算法在旅行商问题中的应用 被引量：15
1
作者 张旭梅 邱晗光 《计算机集成制造系统》 EI CSCD 北大核心 2007年第1期99-104,共6页
为将面向连续优化的粒子群优化算法应用于旅行商问题的求解,提出了旅行商问题的权重编码方案。该方案将属于组合优化的旅行商问题转化为连续优化问题,同时保留了粒子群算法的易操作性和高效性。针对粒子群算法易陷入局部最优的问题,提... 为将面向连续优化的粒子群优化算法应用于旅行商问题的求解,提出了旅行商问题的权重编码方案。该方案将属于组合优化的旅行商问题转化为连续优化问题,同时保留了粒子群算法的易操作性和高效性。针对粒子群算法易陷入局部最优的问题,提出了适合旅行商问题的基于k-中心点法的改进措施。该措施利用简单匹配系数构建粒子群的相异度矩阵,在此基础上采用k-中心点法对粒子群进行聚类分析,实现了粒子之间的信息交换,扩大了粒子的搜索空间,避免算法陷入局部最优。最后,用旅行商问题标准库的4个算例验证了权重编码方案和改进粒子群算法的有效性。 展开更多
关键词 旅行商问题 粒子群优化算法 聚类分析 k-中心点法
下载PDF
一种改进的全局K-均值聚类算法 被引量：47
2
作者 谢娟英 蒋帅 +2 位作者 王春霞 张琰 谢维信 《陕西师范大学学报（自然科学版）》 CAS CSCD 北大核心 2010年第2期18-22,共5页
将快速K中心点聚类算法确定初始中心点的思想应用于全局K-均值聚类算法,对其选取下一个簇的最佳初始中心的方法进行改进,提出选取下一个簇的最佳初始中心的一种新方法.该新方法选择一个周围样本分布相对密集,且距离现有簇的中心比较远... 将快速K中心点聚类算法确定初始中心点的思想应用于全局K-均值聚类算法,对其选取下一个簇的最佳初始中心的方法进行改进,提出选取下一个簇的最佳初始中心的一种新方法.该新方法选择一个周围样本分布相对密集,且距离现有簇的中心比较远的样本为下一个簇的最佳初始中心,得到一种改进的全局K-均值聚类算法.改进后的算法不仅可以避免将噪音点作为下一个簇的最佳初始中心点,而且在不影响聚类效果的基础上缩短了聚类时间.通过UCI机器学习数据库数据以及随机生成的人工模拟数据实验测试,证明改进的全局K-均值聚类算法与全局K-均值聚类算法及快速全局K-均值聚类算法相比在聚类时间上更优越. 展开更多
关键词 k-均值 全局k-均值 快速全局k-均值 k中心点法
下载PDF
状态演化模式挖掘在交通流预测中的应用 被引量：2
3
作者 颜镝 宋苏 《计算机应用》 CSCD 北大核心 2005年第3期649-651,共3页
在交通流诱导中,交通流量的预测是研究热点。为了提取交通流变化的特征规律,针对交通流的数据特点,采用了状态演化模式挖掘的框架对其进行挖掘,提出了一种交通流量模式和规则发现的方法,并且通过实验对这种方法进行了验证。
关键词 状态演化模式挖掘 线性分段化 k中心点法 GSP
下载PDF
独立于应用的数据库聚类技术 被引量：1
4
作者 程文琛 胡学钢 《合肥工业大学学报（自然科学版）》 CAS CSCD 北大核心 2013年第7期802-806,共5页
文章提出了一种独立于应用的数据库聚类技术,是多数据库挖掘的重要步骤,处于数据准备阶段,也是分组规则合成的前提,该技术主要包括多数据库最优划分方法,该方法将数据库的属性集当作其特征。数据库最优划分方法采用非对称二元变量相似... 文章提出了一种独立于应用的数据库聚类技术,是多数据库挖掘的重要步骤,处于数据准备阶段,也是分组规则合成的前提,该技术主要包括多数据库最优划分方法,该方法将数据库的属性集当作其特征。数据库最优划分方法采用非对称二元变量相似度计算方法得到数据库间相似度,利用分裂层次聚类法对数据库进行完全划分,然后借鉴k中心点方法提出最大树方法选出对应簇中心,最后利用自适应模糊C-均值聚类方法的评价函数获得最优划分。 展开更多
关键词 非对称二元变量 分裂层次聚类 k中心点法 自适应模糊C-均值聚类算法 最优划分
下载PDF
经典划分聚类分析方法及算例
5
作者 郑庆涛 赵亚敏 《地壳构造与地壳应力文集》 2016年第2期157-165,共9页
聚类分析方法在大数据时代是数据挖掘(Date Mining)、科学研究和机器学习(Machine Learning)的基础性工具。本文在收集、整理已有研究成果的基础上,对K-均值和K-中心点这两种经典划分式聚类分析方法的原理、优缺点及适用范围进行了重点... 聚类分析方法在大数据时代是数据挖掘(Date Mining)、科学研究和机器学习(Machine Learning)的基础性工具。本文在收集、整理已有研究成果的基础上,对K-均值和K-中心点这两种经典划分式聚类分析方法的原理、优缺点及适用范围进行了重点阐述,并通过算例对比说明孤立点对两种经典算法的不同影响,对科研工作者更高效和便捷地寻求适用于自己研究领域的聚类分析方法、取得科学有效的研究成果具有重要意义。 展开更多
关键词 聚类分析 划分聚类 k-均值聚类法 k-中心点聚类法
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部