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：
基于优化初始中心的加权K-均值彩色图像聚类算法分析 被引量：3
1
作者 何芳州 《现代电子技术》 北大核心 2020年第18期26-29,共4页
超像素作为一种图像预处理技术,在计算机视觉领域中得到了广泛的应用。该文研究的重点就是基于优化初始中心的加权K-均值彩色图像聚类算法的具体应用,针对单板彩色图像,提出一种基于彩色RGB空间通道的K-均值优化初始中心聚类分割方法,并... 超像素作为一种图像预处理技术,在计算机视觉领域中得到了广泛的应用。该文研究的重点就是基于优化初始中心的加权K-均值彩色图像聚类算法的具体应用,针对单板彩色图像,提出一种基于彩色RGB空间通道的K-均值优化初始中心聚类分割方法,并与SLIC进行了分析,得到一种新的SLIC算法(WKK-SLIC算法)。该算法是基于优化加权K-means聚类初始中心点为基础,对彩色图像进行分割处理。在该算法中,通过运用密度敏感相似度对空间像素点密度生成聚类初始中心完成计量,所得聚类结构较稳定且经试验结果表明,在进行图像分割时该算法各方面的性能都要优于其他算法,具有更高的稳定性与准确性。 展开更多
关键词 彩色图像 聚类算法 加权K-均值 优化初始中心 图像分割 试验分析
下载PDF
优化初始中心点的小麦品质区域聚类 被引量：1
2
作者 黄芬 朱艳 +2 位作者 梁敬东 伍艳莲 姜海燕 《计算机工程与应用》 CSCD 北大核心 2011年第36期34-37,72,共5页
为探寻区域性小麦品质聚类的适宜算法,针对经典K-Means(KM)算法对初始聚类中心的敏感问题,以我国主要冬麦区为研究实例,探讨了两种初始中心点改进算法对大规模小麦品质数据集的适应性,综合距离与密度两因素,提出了一种基于密度参数和邻... 为探寻区域性小麦品质聚类的适宜算法,针对经典K-Means(KM)算法对初始聚类中心的敏感问题,以我国主要冬麦区为研究实例,探讨了两种初始中心点改进算法对大规模小麦品质数据集的适应性,综合距离与密度两因素,提出了一种基于密度参数和邻域半径的优化初始中心点小麦品质聚类算法。相对KM算法及文献改进算法,所提算法可较为准确地提取数据集高密度区域的初始中心点,聚类过程及性能对静态簇与非静态簇两种不同迭代方案相对不敏感。实验结果验证了算法的有效性和可行性,在收敛性能及稳定性方面具有一定的优势。 展开更多
关键词 区域聚类 小麦品质 优化初始中心 适宜性
下载PDF
一种优化初始聚类中心的K-means聚类算法 被引量：15
3
作者 周爱武 崔丹丹 潘勇 《微型机与应用》 2011年第13期1-3,9,共4页
针对K-means算法中的初始聚类中心是随机选择这一缺点进行改进,利用提出的新算法选出初始聚类中心,并进行聚类。这种算法比随机选择初始聚类中心的算法性能有所提高,具有更高的准确性。
关键词 欧氏距离 K—means 优化初始中心
下载PDF
一种结合K-means均匀分簇和数据回归的WSN能量均衡策略 被引量：12
4
作者 叶继华 万叶晶 +1 位作者 刘长红 王仕民 《小型微型计算机系统》 CSCD 北大核心 2017年第8期1688-1692,共5页
针对LEACH协议簇头节点分布不均导致无线传感网节点能量消耗不均衡等不足,提出一种结合K-means均匀分簇和数据回归的能量均衡策略.采用优化初始簇中心K-means算法构建均匀分簇的分级无线传感网,通过获取节点地理位置信息,采用K-means聚... 针对LEACH协议簇头节点分布不均导致无线传感网节点能量消耗不均衡等不足,提出一种结合K-means均匀分簇和数据回归的能量均衡策略.采用优化初始簇中心K-means算法构建均匀分簇的分级无线传感网,通过获取节点地理位置信息,采用K-means聚类算法形成k个均匀分簇,再选举簇内节点剩余能量最多者当选簇头.该成簇算法可以使网络负载均匀,延长网络生存周期.通过优化初始簇中心的选择,降低K-means算法的迭代次数,使其更快收敛,成簇时间开销更少,簇与簇之间的地理分布也更均匀.在稳定数据传输阶段,采用数据回归的方法来减少普通节点与簇首的通信量,以达到降低功耗的作用.实验结果表明,该策略能够有效降低节点的功耗,延长网络的生存时间. 展开更多
关键词 K-MEANS算法 均匀分簇 优化初始簇中心 数据回归
下载PDF
一种改进的K-means聚类算法 被引量：5
5
作者 周爱武 崔丹丹 肖云 《微型机与应用》 2011年第21期17-19,共3页
K-means算法是最常用的一种基于划分的聚类算法,但该算法需要事先指定K值、随机选择初始聚类中心等的缺陷,从而影响了K-means聚类结果的稳定性。针对K-means算法中的初始聚类中心是随机选择这一缺点进行改进,利用提出的新算法确定初始... K-means算法是最常用的一种基于划分的聚类算法,但该算法需要事先指定K值、随机选择初始聚类中心等的缺陷,从而影响了K-means聚类结果的稳定性。针对K-means算法中的初始聚类中心是随机选择这一缺点进行改进,利用提出的新算法确定初始聚类中心,然后进行聚类,得出最终的聚类结果。实验证明,该改进算法比随机选择初始聚类中心的算法性能得到了提高,并且具有更高的准确性及稳定性。 展开更多
关键词 欧氏距离 K—means 优化初始聚类中心
下载PDF
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