一种基于网格的K-Means聚类算法

K-Means算法是聚类方法中常用的一种划分方法。随着数据量的增加,K-Means算法的局限性日益突出。基于网格划分的思想,提出了一种基于网格的K-Means聚类算法,该算法使用了网格技术在一定程度上去除了孤立点和噪声数据,减少了原始K-Means算法将大的聚类分开的可能。实验表明,该算法能处理任意形状和大小的聚类,对孤立点和噪声数据也能很好地识别,并且在去除孤立点和噪声数据方面可以达到较好的精度。     

自动化网格聚类探究

提出了一种自动化的网格聚类算法GAC。该算法主要采用密度阈值技术提取不同的类,使用边界点处理技术提高聚类精度。GAC算法只要求对数据集进行一遍扫描。实验表明,该算法可扩展性好,能处理任意形状和大小的聚类,能够很好地识别出孤立点或噪声,在处理多密度聚类方面有很好的精度。     

基于期刊主题相似性的领域分析数据集构建:方法与实证

[目的/意义] 重点针对一些在数据库中无法找到既定的主题分类,无法罗列完整关键词,也不可能通过选择有代表性机构和现成的学科领域核心期刊的方法实现数据集构建的领域,提出一种基于期刊主题相似性的领域分析数据集构建的方法。[方法/过程] 该方法组合运用引文分析与期刊文献耦合分析方法,并借助科学知识图谱绘制方法,通过确定学科领域的代表性期刊群组,经过不同形式的组配最终达到满足不同层次需求的构建数据集的目的。[结果/结论] 本方法可以满足宏观、中观和微观不同领域分析层次的需求,操作过程简单灵活且人工干预的程度不高,通过在具体领域的实例验证,证明其可以有效地解决一些领域数据集构建的难题,对今后相关研究具有一定借鉴意义。     

自动化网格聚类探究

提出了一种自动化的网格聚类算法GAC。该算法主要采用密度阈值技术提取不同的类,使用边界点处理技术提高聚类精度。GAC算法只要求对数据集进行一遍扫描。实验表明,该算法可扩展性好,能处理任意形状和大小的聚类,能够很好地识别出孤立点或噪声,在处理多密度聚类方面有很好的精度。     

中密度纤维板施胶系统低关联数据分类

传统方法对中密度纤维板施胶系统数据进行分类时,需要依据已知类别的数据进行划分,数据分类的范围和效率较低。为解决这一问题,提出一种基于模糊支持向量机的数据分类方法,依据模糊算法对未知类别数据进行划分,通过支持向量机对划分后的数据进行训练,提高了中密度纤维板施胶系统数据分类的效率。通过最终的仿真实验结果表明,本文方法模型能够快速、准确地对中密度纤维板施胶系统中的数据进行分类,取得了令人满意的效果。     

一种基于网格密度的聚类算法

提出了一种基于网格密度的聚类算法(DGCA)。该算法主要利用网格技术去除数据集中的部分孤立点或噪声数据,对类的边缘节点使用一种边缘节点判断函数进行提取,最后利用相近值的方法进行聚类。实验表明,DGCA算法能够很好地识别出孤立点或噪声,聚类结果可以达到一个较高的精度。