导读:本文包含了全局聚类论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:全局,算法,中心,成分,评价指标,均值,模糊。
全局聚类论文文献综述
孙冬璞,谭洁琼[1]（2019）在《一种快速全局中心模糊聚类方法》一文中研究指出针对模糊C均值算法对初始中心敏感、容易陷入局部最优解,且算法迭代速度慢等问题,依据模糊聚类的全局中心理论,建立了一种快速全局中心模糊聚类系统模型,并给出了相关理论分析和算法流程。该模型通过DKC值方案对各数据成员进行密集度分析来确定初始质心,并结合AM度量提出自定义寻优函数,依据该函数在算法运行的每一个阶段来逐一动态增加聚类中心,直至算法收敛。通过实验对比和验证,该过程降低了随机选取聚类中心对聚类结果的影响,跳出局部最优解,减少计算量,具有更高的聚类精度和更快的收敛速度。(本文来源于《哈尔滨理工大学学报》期刊2019年04期）
曹勇,王兆辉,高琦,甄丽红[2]（2019）在《基于竞争神经网络的全局K-Medoids聚类算法研究》一文中研究指出针对全局K-Medoids算法在处理大规模数据聚类分析时搜索效率低的问题,提出了基于竞争神经网络的全局K-Medoids聚类算法。由于神经网络算法对输入模式要求为数值向量,不适合处理文本序列数据的聚类问题,通过定义文本序列数据在聚类分析时的属性描述方式,利用竞争神经网络对数据进行初始分类,在此基础上运行全局K-Medoids算法进行详细的分类,使算法适合于处理文本序列数据聚类问题。文章分别利用UCI数据库中的8组实验数据和机械加工企业工艺数据中的工艺路线数据进行算法验证,结果证明该方法的效率和精度均高于K-Medoids算法和全局K-Medoids算法。(本文来源于《组合机床与自动化加工技术》期刊2019年06期）
金金,吴亚坤,罗素平,袁红梅[3]（2019）在《基于全局主成分和聚类分析法的中药上市企业竞争力动态研究》一文中研究指出选取2013—2017年47家中药上市企业的12项指标,构建企业竞争力评价体系。首先采用全局主成分分析法将12项指标聚成4个主成分,并分别命名为规模能力、盈利能力、成长能力和技术创新能力,并计算企业竞争力得分;其次在企业竞争力得分基础上,运用Q型聚类分析法将企业分成4个类型,然后运用动静结合的方式,从静态、动态角度分别分析4类企业的发展状态;最后得出相关结论和建议,让企业有的放矢地制定发展战略。(本文来源于《中草药》期刊2019年11期）
李玉,甄畅,石雪,赵泉华[4]（2019）在《基于熵加权K-means全局信息聚类的高光谱图像分类》一文中研究指出目的高光谱图像波段数目巨大,导致在解译及分类过程中出现"维数灾难"的现象。针对该问题,在K-means聚类算法基础上,考虑各个波段对不同聚类的重要程度,同时顾及类间信息,提出一种基于熵加权K-means全局信息聚类的高光谱图像分类算法。方法首先,引入波段权重,用来刻画各个波段对不同聚类的重要程度,并定义熵信息测度表达该权重。其次,为避免局部最优聚类,引入类间距离测度实现全局最优聚类。最后,将上述两类测度引入K-means聚类目标函数,通过最小化目标函数得到最优分类结果。结果为了验证提出的高光谱图像分类方法的有效性,对Salinas高光谱图像和Pavia University高光谱图像标准图中的地物类别根据其光谱反射率差异程度进行合并,将合并后的标准图作为新的标准分类图。分别采用本文算法和传统K-means算法对Salinas高光谱图像和Pavia University高光谱图像进行实验,并定性、定量地评价和分析了实验结果。对于图像中合并后的地物类别,光谱反射率差异程度大,从视觉上看,本文算法较传统K-means算法有更好的分类结果;从分类精度看,本文算法的总精度分别为92. 20%和82. 96%,K-means算法的总精度分别为83. 39%和67. 06%,较K-means算法增长8. 81%和15. 9%。结论提出一种基于熵加权K-means全局信息聚类的高光谱图像分类算法,实验结果表明,本文算法对高光谱图像中具有不同光谱反射率差异程度的各类地物目标均能取得很好的分类结果。(本文来源于《中国图象图形学报》期刊2019年04期）
王昕宇,罗可[5]（2019）在《具有全局记忆的LF蚁群聚类算法》一文中研究指出针对传统的LF蚁群聚类算法中存在的收敛速度慢,蚂蚁空载导致的资源浪费以及易陷入局部最优等问题,提出了一种蚁群改进算法。算法初期采用直接分配原则,直接将蚂蚁随机放在数据对象上,并生成随机的全局记忆,在聚类时负载蚂蚁移动受到全局记忆的指导,利用余弦相似度判断最相似的记忆中心,并向该记忆中心移动,全局记忆在一次迭代完成后更新。当蚂蚁拾起数据对象失败时,为了减少蚂蚁再一次的随机移动所带来的资源浪费,采用相异原则将蚂蚁移动到下一个数据对象上。改进的算法在UCI数据集Iris、Wine、Glass和Robotnavigation上进行验证,算法在保证原有算法准确率的基础上明显提高了收敛速度。(本文来源于《计算机工程与应用》期刊2019年20期）
王星捷,卫守林[6]（2019）在《基于角度的全局搜索聚类算法的研究》一文中研究指出利用空间聚类方法探索城市整体区域信息分布的研究逐渐成为热点。当前许多聚类算法在给定的局部范围内进行分析,体现较好的抗噪性和聚类效果;而在全局搜索和聚类分析中,数据的准确性受到影响,不能正确地反映出所需的聚类信息。提出基于角度的全局聚类算法,考虑数据的全局性分布结构,在全局搜索过程中研究角度变化的关系、角度均值计算和判定参考阈值设定。通过公式推导证明在单个要素的判定和整体判定阈值都比基于角度的局部聚类算法具有更好的抗噪性。采用乐山市城区的数据进行高价值商业圈聚类分析测试,证明了该算法在全局范围内进行聚类分析,聚类的效果稳定性好,异常数据小,聚类簇间区别明显,能够准确甄别出核心区域数据。(本文来源于《计算机应用与软件》期刊2019年03期）
朱毅,杨航,吕泽华,陈传波,邹小威[7]（2019）在《一种基于禁忌搜索的全局最优化模糊聚类算法》一文中研究指出模糊C均值(FCM)算法是一种基于贪心思想的迭代算法,算法沿迭代序列收敛到一个极小值,但存在搜索能力弱、易陷入局部最优的缺点.本文提出了一种基于禁忌搜索的模糊聚类算法,该算法在一个解的邻域内使用禁忌搜索,并采用了基于FCM局部收敛性质的长期表禁忌策略,保证在不断移动搜索起点的同时避免重复搜索;其次使用混沌优化思想与动态步长策略来提升算法的全局搜索能力,以达到获取全局最优解的目的.实验结果表明,改进算法极大地提高了聚类准确率,并具有良好的稳定性,与群智算法和遗传算法的优化相比也具有一定的优势.(本文来源于《电子学报》期刊2019年02期）
段桂芹[8]（2019）在《基于全局中心聚类算法的学生成绩评价研究》一文中研究指出针对课程难度差异大而带来的学生成绩评价难的问题,提出了一种基于全局中心聚类算法的学生成绩评价方法。首先,使用min-max归一化方法对样本集进行预处理;然后,采用全局中心聚类算法对学生的多科成绩进行聚类;最后,使用内部评价指标CH对多组聚类结果进行评价,得出最优聚类数和最优聚类划分。通过对某高校学生成绩的聚类分析结果表明:该方法能够有效地挖掘出学生多科成绩的分布情况,可为个性化教学的实施提供一种新的思路。(本文来源于《智能计算机与应用》期刊2019年01期）
高建平,任德轩,郗建国[9]（2019）在《基于全局K-means聚类算法的汽车行驶工况构建》一文中研究指出为构建符合郑州市交通特征的乘用车典型行驶工况,选取60辆乘用车进行数据采集,将采集的有效行驶数据划分成120 744条运动学片段,采用主成分分析法对构建的特征参数矩阵进行降维、非线性化处理。选取戴维森-堡丁指数来确定最佳聚类数,并通过全局K-means聚类算法将主成分分析得到的4个主成分聚成3类,然后采用相关系数法从各类片段库中选取具有代表性的运动学片段,从而构建出郑州市乘用车典型循环工况(ZZ_DC)。通过与传统K-means聚类算法构建的工况比较,采用全局K-means聚类构建的工况更加准确地反映了郑州市乘用车在实际道路上的行驶状态。将ZZ_DC工况与国内一直采用的乘用车测试工况(NEDC工况)比较,结果表明,ZZ_DC工况与NEDC工况差异显着,因此,有必要开发出适用于郑州市交通特征的乘用车行驶工况。(本文来源于《河南理工大学学报(自然科学版)》期刊2019年01期）
邹臣嵩,刘松[10]（2018）在《基于谱聚类的全局中心快速更新聚类算法》一文中研究指出针对高维数据在聚类过程中存在迭代次数多、运算耗时长等问题,提出一种改进的聚类算法,首先采用谱聚类对样本降维,再选取k个首尾相连且距离乘积最大的数据对象作为初始聚类中心,在簇中心更新过程中,选取与簇均值距离最近的数据对象作为簇中心,并将其他数据对象按最小距离划分至相应簇中,反复迭代,直至收敛。实验结果表明,新算法的Rand指数、Jaccard系数和Adjusted Rand Index等聚类指标全部优于K-means算法及其他3种改进聚类算法,在运行效率方面,新算法的聚类耗时更短、迭代次数更少。(本文来源于《计算机与现代化》期刊2018年10期）
全局聚类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对全局K-Medoids算法在处理大规模数据聚类分析时搜索效率低的问题,提出了基于竞争神经网络的全局K-Medoids聚类算法。由于神经网络算法对输入模式要求为数值向量,不适合处理文本序列数据的聚类问题,通过定义文本序列数据在聚类分析时的属性描述方式,利用竞争神经网络对数据进行初始分类,在此基础上运行全局K-Medoids算法进行详细的分类,使算法适合于处理文本序列数据聚类问题。文章分别利用UCI数据库中的8组实验数据和机械加工企业工艺数据中的工艺路线数据进行算法验证,结果证明该方法的效率和精度均高于K-Medoids算法和全局K-Medoids算法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
全局聚类论文参考文献
[1].孙冬璞,谭洁琼.一种快速全局中心模糊聚类方法[J].哈尔滨理工大学学报.2019
[2].曹勇,王兆辉,高琦,甄丽红.基于竞争神经网络的全局K-Medoids聚类算法研究[J].组合机床与自动化加工技术.2019
[3].金金,吴亚坤,罗素平,袁红梅.基于全局主成分和聚类分析法的中药上市企业竞争力动态研究[J].中草药.2019
[4].李玉,甄畅,石雪,赵泉华.基于熵加权K-means全局信息聚类的高光谱图像分类[J].中国图象图形学报.2019
[5].王昕宇,罗可.具有全局记忆的LF蚁群聚类算法[J].计算机工程与应用.2019
[6].王星捷,卫守林.基于角度的全局搜索聚类算法的研究[J].计算机应用与软件.2019
[7].朱毅,杨航,吕泽华,陈传波,邹小威.一种基于禁忌搜索的全局最优化模糊聚类算法[J].电子学报.2019
[8].段桂芹.基于全局中心聚类算法的学生成绩评价研究[J].智能计算机与应用.2019
[9].高建平,任德轩,郗建国.基于全局K-means聚类算法的汽车行驶工况构建[J].河南理工大学学报(自然科学版).2019
[10].邹臣嵩,刘松.基于谱聚类的全局中心快速更新聚类算法[J].计算机与现代化.2018
论文知识图
