基于密度的K-means算法在聚類數目中應用
大小：1.00 MB 人氣： 2017-11-25 需要積分：1
針對傳統的K-means算法無法預先明確聚類數目，對初始聚類中心選取敏感且易受離群孤點影響導致聚類結果穩定性和準確性欠佳的問題，提出一種改進的基于密度的K-means算法。該算法首先基于軌跡數據分布密度和增加軌跡數據關鍵點密度權值的方式選取高密度的軌跡數據點作為初始聚類中心進行K-means聚類，然后結合聚類有效函數類內類外劃分指標對聚類結果進行評價，最后根據評價確定最佳聚類數目和最優聚類劃分。理論研究與實驗結果表明，該算法能夠更好地提取軌跡關鍵點，保留關鍵路徑信息，且與傳統的K-means算法相比，聚類準確性提高了28個百分點，與具有噪聲的基于密度的聚類算法相比，聚類準確性提高了17個百分點。所提算法在軌跡數據聚類中具有更好的穩定性和準確性。
?
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
基于密度的K-means算法在聚類數目中應用下載
相關電子資料下載
- 對新輔助TCHP治療響應的HER2+乳腺癌空間蛋白質組特征 547
- 使用輪廓分數提升時間序列聚類的表現 316
- 基于K-means聚類算法的圖像分割 1113
- 介紹一種基于最小化平方誤差的聚類算法 498
- 介紹一種基于分層聚類方法的木馬通信行為檢測模型 1060
- 深度學習聚類的綜述 780
- 聚類分析中的機器學習與統計方法綜述（二） 679
- 如何在 Python 中安裝和使用頂級聚類算法 415
- 聚類分析中的機器學習與統計方法綜述（一） 638
- 物體檢測與跟蹤算法 974