一种聚类方法的分析

目前聚类技术已经成为许多领域研究的重要方法,特别在图像分割及模式识别中,聚类更是一种常用的重要技术.本文分析了系统聚类法中最短距离法的特点,并把最短距离法在彩色图像分割中加以应用.     

K-means聚类算法研究

聚类分析是模式识别中一个重要研究领域,是一种将数据划分或分组处理的重要手段和方法.K-means算法是聚类算法中主要算法之一,文章介绍了K-means聚类算法的实现方法,并对其优点和缺点进行了详细的分析.     

改进的mean shift算法及其在彩色图像分割中的应用

针对mean shift算法中带宽参数的选择不易确定的问题,提出了一种改进的自适应mean shift算法,并将其运用于彩色图像分割中。仿真结果表明,该算法对于不同类型的图像,均可以获得令人满意的分割结果。     

改进的mean shift算法及其在彩色图像分割中的应用

针对mean shift算法中带宽参数的选择不易确定的问题,提出了一种改进的自适应mean shift算法,并将其运用于彩色图像分割中。仿真结果表明,该算法对于不同类型的图像,均可以获得令人满意的分割结果。     

数据流聚类算法研究

数据流是一类新的数据时象，流挖掘是数据库领域的研究热点，有很大的应用前景，本文首先综述了传统聚类算法的分类及其各自特点，并对它们进行了分析评价．然后结合流聚类分析的要求，对目前最新的几个数据流聚类研究成果进行了分析。并对数据流聚类进一步的研究方向进行了讨论．     

文本聚类算法研究

文本聚类是聚类方法的一个重要应用,是近年研究热点。对文本聚类定义、流程、相关问题进行了阐述,对其主要算法及应用领域进行了详细介绍。     

数据挖掘中聚类算法的研究

目前对聚类算法的研究越来越多,在数据挖掘领域,聚类面临着新的形势。总结了数据挖掘中主要的传统聚类算法,介绍了聚类方法的最新发展。     

基于谱聚类算法的音频聚类研究

提出一种新颖的基于谱聚类的音频聚类算法,首先对音频数据进行预处理,得到三维音频向量,然后根据向量之间的距离计算音频相似度,最后设计谱聚类算法获得音频数据聚类结果。在网易云音乐数据上的对比实验表明,与K means算法和快速查找密度峰值聚类算法相比,该算法获得的聚类结果更加优越。     

一种彩色图像水印算法

研究了彩色图像水印算法,重点研究了彩色图像空间表示和转换关系、余弦变换、基于奇异值分解算法等。提出了一种彩色水印算法,该算法将彩色图像从RGB空间转换到HSV空间,并提取饱和度S分量,对S分量进行了DCT变换,从而获取低频信息,作为水印嵌入位置;在水印嵌入过程时,采用了基于奇异值分解的算法进行嵌入水印。为了检测该算法的鲁棒性,对该算法进行了加入高斯噪声、椒盐噪声、JEPG压缩、几何等方式攻击。结果表明,该算法能有效地抵抗JPEG压缩攻击,对加入噪声攻击也表现了较好的鲁棒性。     

数据流聚类算法分析

首先比较了数据流聚类分析与传统的聚类分析方法的一些不同点,对目前最新的一些数据流聚类研究成果进行了分析,最后对数据流聚类发展方向进行了展望。     

融合音频特征的比赛场地主颜色聚类算法

针对当前手动分割视频获取主颜色实验帧序列,导致算法鲁棒性差,自动化程度低等问题,着重分析了体育比赛的音频特征及场地颜色特征,提出一种融合音频特征的主颜色聚类算法。实验结果表明,该算法不需人工预处理,针对不同比赛场地具有良好的鲁棒性,通过音频特征的辅助分析,有效提高主颜色提取准确率,同时降低时间复杂度。     

基于HSI颜色模型重影画面的自动检测

提出了一种从图像处理角度检测重影画面的方法．该方法以台标作为基准物，在HSI（hue saturation intensity）空间界定提取颜色的范围，根据台标区域中具有提取颜色的像素数目与固定阈值的比较，识别出重影画面．从实验结果可知，该方法对于重影画面的检测是有效的．     

一种基于粒度的聚类算法

聚类和粒度具有天然的相通性,本文探讨了基于粒度聚类算法的一般框架,并基于该框架,研究了一种基于网格密度的文本聚类算法,最后以例证说明这一方法的可行性。     

基于K-means聚类算法的客户细分探讨

重点讨论了聚类分析方法中K-means聚类算法在客户价值分析中的作用,通过对客户的现有价值和潜在价值进行分析,对客户进行细分。在此基础上,企业可结合行业的特征找出各类客户的特点,实行差异化服务策略,让更好的资源和服务提供给最有价值客户,从而达到顾客满意、企业盈利的目的。     

基于传感器网络的分布式遗传k-means聚类算法研究

传统的集中式聚类算法不适宜对传感器网络的分布式数据进行聚类,用遗传进化机制对传统k-means的分布式聚类算法进行优化,可得出遗传k-means聚类算法。遗传k-means聚类算法即在传感器网络中sink节点传送随机选取的初始k个簇心到各个传感器节点,在这些节点上分别用遗传k-means聚类算法将本地的数据划分到距离最近的簇,然后将簇信息在无线传感器网络里通过路由逐层上传合并汇聚到sink节点,计算k个簇心的平均值,再往下传送k个簇心,反复迭代更新直至聚类目标函数值达到最小为止。实验表明,遗传k-means聚类算法的聚类效果较好,收敛速度较快。     

基于密度的聚类算法研究

聚类算法是数据挖掘的核心技术,基于密度的聚类是一类已经被证明非常有效的聚类方法．与DBSCAN算法作比较,文章提出了一种基于密度的聚类算法（Clustering Using Centers and Density,CUCD）．该算法是基于中心点以及密度实现的,其核心对象是根据数据分布计算出来的虚拟的点,并且核心对象的代表性随程序的执行次数而提高;经实验验证,该算法具有较好的时间效率和聚类质量．     

基于宽度优先搜索的聚类算法的研究

随着计算机技术的迅猛发展以及网络技术的普及,人们有更多机会通过网络与外界进行信息交流。然而,随着数据大量的涌入,增加了我们获取有用信息的难度,数据挖掘正是在这一背景下诞生的。聚类分析是数据挖掘中的一种重要技术,是分析数据并从中发现有用信息的一种有效手段。本文主要研究的是基于宽度优先搜索的聚类分析算法。     

图形处理器在分层聚类算法中的通用计算研究(英文)

ROCK是一种采用数据点间的公共链接数来衡量相似度的分层聚类方法,这种方法对于高维、稀疏特征的分类数据具有高效的聚类效果.其邻接度矩阵计算是影响其时间复杂度的关键步骤,将图形处理器(GUP)强大的浮点运算和超强的并行计算能力应用与此步骤,而其余步骤由CPU完成,这种基于GUP的ROCK算法的运算效率在AMD 643500+CPU和NVIDIA GeForce 6800 GT显卡的硬件环境下经过实验测试,证明其运算速度比完全采用CPU计算速度要快.这种改进的分层聚类算法适合在数据流环境下对大量数据进行实时高效聚类操作.     

基于粗糙集的层次聚类算法(RAHCA)

连续属性离散化问题是机器学习的重要方面,是数据预处理问题之一。文章提供的基于粗糙集的层次聚类算法(RAHCA)是对层次聚类算法的一种改进,它能够自动调整参数,以寻求更优的聚类结果。实验结果验证了该算法的可行性,特别是在符号属性聚类方面有着较好的聚类性能。