注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 基于图的聚类方法，利用谱聚类

  2. 这是一个基于谱的聚类程序，很好用，先将数据转换成邻接矩阵，计算其特征值，特征向量，构造新的向量空间，然后使用很好的点聚类方法进行聚类

  3. 所属分类：专业指导

    • 发布日期：2010-05-25
    • 文件大小：6144
    • 提供者：qulijuan1

  1. 基于谱聚类的聚类集成算法

  2. 摘 要 谱聚类是近年来出现的一类性能优越的聚类算法, 能对任意形状的数据进行聚类, 但算法对尺度参数比较敏感, 利用 聚类集成良好的鲁棒性和泛化能力, 本文提出了基于谱聚类的聚类集成算法. 该算法首先利用谱聚类算法的内在特性构造多 样性的聚类成员; 然后, 采用连接三元组算法计算相似度矩阵, 扩充了数据点之间的相似性信息; 最后, 对相似度矩阵使用谱聚 类算法得到最终的集成结果. 为了使算法能扩展到大规模应用, 利用 NystrÄom 采样算法只计算随机采样数据点之间以及随机 采样数据点与剩余

  3. 所属分类：专业指导

    • 发布日期：2013-02-12
    • 文件大小：446464
    • 提供者：hujiao199

  1. 基于动态共享近邻的谱平均密度聚类

  2. 基于动态共享近邻的谱平均密度聚类，袁超宇，张力生，谱平均密度聚类是一种基于密度的聚类算法，但存在对参数ε较为敏感的问题。针对上述问题，提出一种基于动态共享近邻的谱平均密度�

  3. 所属分类：其它

    • 发布日期：2020-03-09
    • 文件大小：874496
    • 提供者：weixin_38671628

  1. 二分网络中基于谱聚类的协同推荐

  2. 提出一种基于谱聚类的协同推荐算法(SCBCF)。首先从用户——项目二分网络的单顶点投影中得到用户之间的相似矩阵，然后对该矩阵应用谱聚类算法，将用户聚成k类，并将得到的聚类结果用于数据平滑和邻居结点的选择，最后基于最近邻居集评分行为，对目标用户产生推荐。在MovieLens上的实验结果证明本文方法比传统的协同过滤算法能更好地应用于二分网络的协同推荐。

  3. 所属分类：其它

    • 发布日期：2020-10-18
    • 文件大小：375808
    • 提供者：weixin_38666300

  1. 机器学习（聚类十）——谱聚类及代码实现

  2. 谱聚类是基于谱图理论基础上的一种聚类方法，与传统的聚类方法相比：具有在任意形状的样本空间上聚类并且收敛于全局最优解的优点。（但效率不高，实际工作中用的比较少） 谱聚类 通过对样本数据的拉普拉斯矩阵的特征向量进行聚类，从而达到对样本数据进行聚类的目的；其本质是将聚类问题转换为图的最优划分问题，是一种点对聚类算法。 谱聚类算法将数据集中的每个对象看做图的顶点 V，将顶点间的相似度量化为相应顶点连接边E的权值 w，这样就构成了一个基于相似度的无向加权图 G(V,E)，于是聚类问题就转换为图的划分问题。

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：226304
    • 提供者：weixin_38748769

  1. 基于模糊测度和证据理论的模糊聚类集成方法

  2. 针对现有集成方法在处理模糊聚类时存在的不足,提出一种基于证据理论的模糊聚类集成方法.以各聚类成员作为证据元,以样本点间的类别关系作为焦元,通过证据积累构造互相关矩阵.考虑到模糊聚类对于各样本点的聚类有效性,提出一种结合点模糊度和模糊贴近度的类别关系表示方法,并以此作为各证据元的基本概率赋值函数.最后基于互相关矩阵构造样本点间相似性关系,并利用谱聚类算法对其聚类.实验中通过与多种已有聚类集成方法的对比表明,该方法具有较高的聚类性能.

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：942080
    • 提供者：weixin_38732519

  1. 基于局部信息的快速近似谱聚类

  2. 光谱聚类已成为近年来最流行的聚类方法之一。 但是，其高计算复杂性使其无法应用于大规模数据集。 为了解决这种复杂性，已经提出了近似的频谱聚类方法。 在这些方法中，可通过使用近似技术（例如Nyström方法）或通过构建较小的代表性数据集（在该数据集上执行光谱聚类）来降低计算成本。 但是，这些近似方法的计算效率是以性能下降为代价的。 在本文中，我们提出了一种有效的近似光谱聚类方法，该方法通过利用数据之间的局部信息来提高聚类性能，同时保留了对大型数据集的可扩展性。 具体来说，我们从两个方面改进了近似谱聚

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：943104
    • 提供者：weixin_38708461

  1. 基于局部约束的协同表示构造高维数据谱聚类的亲和矩阵

  2. 大多数的聚类算法都不适合对高维数据进行聚类，原因是“ 维度”。随着维度的增加，数据将变得稀疏，对象之间的距离趋于相同，并且嘈杂的功能也会增加。 它降低了聚类的有效性算法敏锐。 频谱聚类是一种面向图的子空间聚类方法，其关键是构造一个健壮的anity矩阵。 最近，稀疏表示（SR）和协作表示（CR）编码方案已被证明是有效的线性表示模型。 但是，它们不是数据嘈杂时足够强大。 局限性协作表示（LCR）已显示通过在分类中的CR编码方案中引入局部一致性来提高其对噪声和异常值的鲁棒性高维数据。 在本文中，我们建

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：294912
    • 提供者：weixin_38519763

  1. JLMC：基于拉普拉斯矩阵的约旦形式的聚类方法

  2. 在当前的复杂网络聚类算法中，基于拉普拉斯算子的谱聚类算法具有严格的数学基础和较高的精度。 但是，由于它们依赖于先验知识（例如集群数），因此其应用受到限制。 对于大多数应用场景，很难获得预先群集。 为了解决这个问题，我们提出了一种新颖的聚类算法-基于拉普拉斯矩阵的聚类算法（JLMC）的乔丹形式。 在JLMC中，我们提出了一个模型，该模型基于复杂网络中相应拉普拉斯矩阵的Jordan形式来计算簇的数量（n）。 JLMC通过使用我们建议的模块化密度函数（P函数）将网络分为n个集群。 我们对真实和综合数据

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：328704
    • 提供者：weixin_38735899

  1. 基于谱正则化的非线性判别聚类

  2. 由于稀疏性，直接聚类高维数据仍然是一个难题。 因此，通过降维获得它们的低维紧凑表示是对高维数据进行聚类的有效方法。 但是，大多数现有的降维方法最初都是为分类（例如线性判别分析）或恢复高维数据的几何结构（称为流形）（例如局部线性嵌入）而开发的，而不是为了聚类的目的而开发的。 因此，提出了一种新的基于谱正则化的降维非线性判别聚类算法。 该方法的贡献有两个方面：（1）可以获得非线性的低维表示，可以恢复固有的流形结构并增强原始高维数据的聚类结构。 （2）也可以在降维过程中获得聚类结果。 首先，将所需的低

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：584704
    • 提供者：weixin_38699726

  1. 通过联合稀疏和共享小波的稀疏字典学习对高光谱图像进行聚类

  2. 稀疏子空间聚类（SSC）算法在高光谱图像聚类中取得了令人印象深刻的性能。但是，使用包含噪声的原始样本来构造字典。 此外，SSC代表每个信号，而忽略了高光谱像素之间的关系。 为了克服这些问题，我们提出了一种用于高光谱图像聚类的稀疏词典学习方法，该方法将联合稀疏性和共享小波相结合，以提高学习词典的表达能力。 首先，我们将共享的小波作为基础字典并入统一的联合稀疏约束优化模型，以从高光谱图像的光谱和上下文特征中学习结构化的稀疏字典。 然后，基于学习到的稀疏字典，采用稀疏表示系数构造图的非负亲和度矩阵。

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：251904
    • 提供者：weixin_38637093

  1. 图像分割的改进稀疏子空间聚类方法

  2. 提出一种基于改进稀疏子空间聚类的图像分割方法。首先将图像进行过分割得到一些均匀区域称 为超像素，并提取超像素的颜色直方图作为其特征；然后建立特征数据的改进稀疏子空间表示并由此构造图相似 度矩阵，最后利用谱聚类算法得到超像素的聚类结果并作为图像分割结果。实验结果表明，本文提出的改进稀疏 子空间聚类方法具有良好的聚类性能，对噪声具有一定的鲁棒性；用于自然图像能够得到更好的分割效果。

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：917504
    • 提供者：weixin_38699593

  1. 基于谱聚类的振动多模态信号幅谱分割研究与应用

  2. 在振动信号模态分析中，模态分离是一个核心的研究问题。在强噪声下频域的模态峰往往受到 强烈的干扰，导致模态参数的提取精度下降，甚至产生模态主频误判。针对在较强噪声情形下，采用谱聚 类算法对振动频谱进行宏观聚类，提出了一种新的幅谱分割方法。首先按照波峰概念把振动信号幅谱分割 成波峰的集合。把每个波峰看成一个待聚类的样本，引用谱聚类进行波峰聚类。构建波峰相似度函数、拉 普拉斯矩阵和聚类算法，引入谱聚类算法进行波峰自动聚类，聚类的结果就是宏观上的单模态大峰。仿真 试验表明，这种幅谱波峰分割的谱聚类算法能

  3. 所属分类：其它

    • 发布日期：2021-03-05
    • 文件大小：392192
    • 提供者：weixin_38573171

  1. 通过基于稀疏字典的锚定回归进行高光谱图像聚类

  2. 高光谱图像（HSI）的聚类是一项非常具有挑战性的任务，因为HSI通常具有较大的光谱变异性，高维数和复杂的结构。 这项研究的主要问题是为HSI开发一种改进的稀疏子空间聚类（SSC）方法。 作为谱聚类的扩展，SSC算法取得了巨大的成功。 然而，由原始样本创建的直接自我表示字典的表示能力较差，并且诸如K奇异值分解（K-SVD）之类的广泛使用的字典学习（DL）也面临着计算复杂性高的问题。 在这项研究中，作者提出了一种基于稀疏DL和锚定回归的新型HSI聚类方法。 所提出的方法分为三个阶段：（i）稀疏DL；

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：1048576
    • 提供者：weixin_38697171

  1. 一种基于谱分割的短文本聚类算法

  2. 短文本具有稀疏高维的特点,现有聚类算法在大规模短文本上的聚类精度较低且效率低下。针对该问题,提出一种以谱聚类理论作支撑,基于谱分割准则RMcut的新聚类算法。依据谱聚类理论,将短文本集合构建成一张带权无向图,并计算得到文档-文档的相似度矩阵,为聚类算法提供信息。不断迭代地用2-way方式划分该图,划分过程中使用RMcut值作为划分是否终止的条件,利用Prim算法将原图中的顶点加入到聚族中,以得到质量较高的聚类结果。实验结果表明,该算法具有较高的时间性能,与K-means算法、词共现聚类算法及基于

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：1048576
    • 提供者：weixin_38564503

  1. 基于谱维约简的密度自适应亲和力传播聚类算法

  2. 作为一种新颖的聚类方法，相似性传播（AP）聚类可以通过在数据点之间传递消息来识别高质量的聚类中心。 但是它的最终簇数受用户定义的自信心参数影响。 当由于先验知识而针对给定数量的集群时，必须启动AP多次，直到找到合适的自信心设置为止。 K-AP算法克服了这一缺点通过在消息传递过程中引入约束来利用K簇的即时结果。 K-AP聚类的关键是构建合适的相似度矩阵，该矩阵可以真实反映数据集的内在结构。 本文设计了一种密度自适应相似度量，以更合理地描述数据点之间的关系。 同时，为了解决K-AP算法在高维数据集中

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：743424
    • 提供者：weixin_38507923

  1. 基于自适应Nystrm采样的大数据谱聚类算法

  2. 面对结构复杂的数据集,谱聚类是一种灵活而有效的聚类方法,它基于谱图理论,通过将数据点映射到一 个由特征向量构成的低维空间,优化数据的结构,得到令人满意的聚类结果.但在谱聚类的过程中,特征分解的计算 复杂度通常为O(n3),限制了谱聚类算法在大数据中的应用.Nyström 扩展方法利用数据集中的部分抽样点,进行近似 计算,逼近真实的特征空间,可以有效降低计算复杂度,为大数据谱聚类算法提供了新思路.抽样策略的选择对 Nyström 扩展技术至关重要,设计了一种自适应的Nyström 采样方法,每个数

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：735232
    • 提供者：weixin_38694674

  1. 文本聚类集成问题中的谱算法

  2. 聚类集成中的关键问题是如何根据不同的聚类成员组合为更好的聚类结果.引入谱聚类算法解决该问题 ,提出了基于相似度矩阵的谱算法(SMSA) ,但该算法高昂的计算代价使其不适合大规模文本集.进一步研究了谱聚类算法的特性 ,对超边的相似度矩阵进行谱分析 ,提出了基于超边相似度矩阵的元聚类算法( HSM2MCLA) .真实文本数据集的实验结果表明: SMSA 和 HSM2MCLA 比其他基于图划分的集成算法更优越; HSM2MCLA 可获得与SMSA 相当的结果 ,而计算需求却明显低于 SMSA.

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：208896
    • 提供者：weixin_38669674

  1. 解决文本聚类集成问题的两个谱算法

  2. 聚类集成中的关键问题是如何根据不同的聚类器组合为最终的更好的聚类结果. 本文引入谱聚类思想解决文本聚类集成问题, 然而谱聚类算法需要计算大规模矩阵的特征值分解问题来获得文本的低维嵌入, 并用于后续聚类. 本文首先提出了一个集成算法, 该算法使用代数变换将大规模矩阵的特征值分解问题转化为等价的奇异值分解问题, 并继续转化为规模更小的特征值分解问题; 然后进一步研究了谱聚类算法的特性, 提出了另一个集成算法, 该算法通过求解超边的低维嵌入, 间接得到文本的低维嵌入. 在 TREC 和 Reuters

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：399360
    • 提供者：weixin_38676500

  1. 一种基于流形距离核的谱聚类算法

  2. 针对标准谱聚类算法中,基于欧氏距离的相似性度量不能完全反映数据聚类复杂的空间分布特性的问题,提出了一种基于流形距离核的谱聚类算法.它能充分挖掘数据集中的内在结构信息,较好地反映局部和全局一致性,并且可以很好地防止"桥"噪声点的影响,提高算法的聚类性能.与传统的聚类算法和常见谱聚类算法进行了比较,在人工数据集和UCI数据集上的实验都验证了本算法能够获得更好的聚类效果.

  3. 所属分类：其它

    • 发布日期：2021-02-20
    • 文件大小：1037312
    • 提供者：weixin_38743054
« 12 3 4 5 6 7 »