导读:本文包含了对象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:对象,算法,遥感,度量,相异,轨迹,余弦。
对象聚类论文文献综述
王梦遥,王晓晔,洪睿琪,柴晓瑞[1]（2019）在《基于改进BIRCH聚类算法的评价对象挖掘》一文中研究指出本文对于意见挖掘领域中的评价对象的修剪和聚类问题,提出使用K-means聚类算法和BIRCH聚类算法相结合的方式来进行评价对象的修剪和聚类。利用BIRCH算法类别聚类的功能对评价对象进行聚类,并删除包含较少数据的簇来实现修剪评价对象;再通过对于剩下的簇使用K-means聚类算法来获得最优评价对象。这种修剪聚类方法与以往的基于PMI算法修剪然后基于K-means聚类算法相比,减少了评价对象修剪时对语料库的依赖,最终聚类的结果更加精准,而且BIRCH算法采用一次扫描数据库的策略,可以有效提高速度。(本文来源于《软件》期刊2019年11期）
李顺勇,张苗苗,曹付元[2]（2019）在《基于分类型矩阵对象数据的MD fuzzy k-modes聚类算法》一文中研究指出传统的聚类算法一般是对单值属性数据进行聚类.但在许多实际应用中,每个对象通常被多个特征向量所描述.例如,顾客在购物时可能同时购买多个产品.由多个特征向量描述的对象称为矩阵对象,由矩阵对象构成的数据集称为矩阵对象数据集.目前,针对矩阵对象数据聚类算法的研究相对较少,还有很多问题有待解决.利用fuzzy k-modes算法的聚类过程,提出一种基于矩阵对象数据的matrix-object data fuzzy k-modes(MD fuzzy k-modes)聚类算法.该算法结合模糊集的概念引入模糊因子β,重新定义了矩阵对象间的相异性度量,并给出类中心的启发式更新算法.最后,在5个真实数据集上验证了MD fuzzy k-modes算法的有效性,并分析了模糊因子β与隶属度w之间的关系.大数据时代,利用MD fuzzy k-modes算法对多条记录进行聚类,能更易发现顾客的消费偏好,从而做出更有针对性的推荐.(本文来源于《计算机研究与发展》期刊2019年06期）
王习涛,马雁疆,刘新新[3]（2019）在《基于余弦相识度的聚类算法在统计调查对象分类中的应用研究》一文中研究指出对统计数据的研究往往采用无监督学习的聚类算法,而基于欧式距离的常规聚类算法不太适合统计数据,文章将常用于文本相似度计算的余弦相似度算法与聚类算法相结合,形成基于图形相似度的模糊识别算法,采用统计月度数据进行实验测试,证明能够实现企业分类,达到了研究目标。(本文来源于《市场研究》期刊2019年05期）
李锋[4]（2019）在《聚类分析视角下审计对象分类与抽样研究》一文中研究指出通过聚类分析法收集机构所在区域金融风险、内部控制、内部审计等相关数据,使用Python语言将机构分成群组,研究各群组内部各机构间的异同,从而分析全行经营管理情况,较好地平衡审计对象抽样数量和审计覆盖的有效性,降低审计风险。(本文来源于《中国内部审计》期刊2019年05期）
郭黎敏,蔺春华,高需,苏醒[5]（2019）在《基于聚类生成图的空间网络对象聚类》一文中研究指出为了解决现有聚类技术难以适应大规模空间网络对象的聚类问题,提出了一种基于聚类生成图的空间网络对象聚类算法,以便降低空间网络对象聚类的时间复杂度和空间复杂度.首先,对网络中的非空边进行概略化聚类;然后,在此基础上,构建聚类生成图;最后,查找聚类生成图的连通子图,每个连通子图即为一个聚类.实验结果表明该方法在保证准确性的同时具有良好的效率和可扩展性.(本文来源于《北京工业大学学报》期刊2019年06期）
张怀峰,皮德常,董玉兰[6]（2019）在《iBTC:一种基于独立森林的移动对象轨迹聚类算法》一文中研究指出移动对象轨迹聚类在城市规划、公共空间设计、移动对象行为预测等领域具有重要的理论指导意义和实际应用价值。针对传统聚类算法(如k-means,DBSCAN)在移动对象轨迹方面聚类效果不佳的问题,提出一种新的轨迹聚类算法iBTC。该算法首先对轨迹进行分段,根据最小描述长度原理,将轨迹分段问题转换为求无向图的最短路径问题,使用Dijkstra算法求得轨迹的最佳分段;然后将轨迹聚类问题转换为一种特殊的异常检测问题,并基于独立森林的思想,使用细分-合并过程对轨迹数据进行聚类;最后在模拟数据集和监控视频记录的行人轨迹公开数据集上进行实验,结果表明该算法能够取得较好的聚类效果。(本文来源于《计算机科学》期刊2019年01期）
刘勇,周婷,全冰婷,刘思峰[7]（2018）在《基于对象多属性差异的灰色发展聚类方法及应用》一文中研究指出在现实决策问题中,决策对象在不同时期行为状态和所属类型往往呈现一定的发展规律,而现有聚类方法难以充分挖掘聚类对象的发展信息、对象间的关系信息和发展属性的差异信息。为有效处理此类问题,考虑到研究对象的发展趋势、发展行为和发展绝对量与增长量的属性差异,采用GM(1,1)和灰色定权聚类方法,构建了基于对象多属性差异的灰色发展聚类方法,并以我国区域高新技术产业化聚类评估问题为例验证了模型的有效性与合理性。结果表明,所构建模型能够有效描述研究对象呈现发展趋势或未来行为,并实现对研究对象的有效聚类。(本文来源于《运筹与管理》期刊2018年12期）
董晓君[8]（2018）在《路网环境中移动对象轨迹聚类算法的研究与应用》一文中研究指出智能交通系统建立了巨大的交通数据资源,对具有时空特征的交通数据进行智能分析,可以从中获取丰富的、有价值的知识,这些知识可以对城市交通拥堵区域的检测和最优路径推荐等服务提供相应的决策支持。本文针对城市交通拥堵状态分析的需求,基于移动对象轨迹数据元素,研究相似性度量和表达方法,在此基础上进行轨迹聚类,并应用于城市交通拥堵区域检测。主要工作如下:(1)介绍智能交通系统的相关概念,分析移动对象轨迹聚类技术的研究对于智能交通系统具有实际的应用价值,综述了国内外移动对象轨迹聚类技术的研究现状与应用现状。(2)针对现有的轨迹相似性度量算法不适用于分析时间维度上分布不均匀且含有噪声轨迹相似性的问题,提出一种基于特征点和编辑距离的轨迹相似性度量算法。首先给出一种基于运动方向和时间分段的轨迹特征点选取算法,选择出轨迹中运动方向发生明显变化的位置点为特征点,将原始轨迹表示为特征点轨迹。在轨迹相似性度量过程中,提出一种基于编辑距离的轨迹相似性度量算法,通过分别定义编辑距离中的插入操作、替换操作和删除操作的代价,得到轨迹间的相似性。实验结果表明,与基于真实惩罚值编辑距离的轨迹相似性度量和基于真实序列编辑距离的轨迹相似性度量算法相比,本文算法在运行效率和聚类质量上均有良好的表现。(3)针对基于划分和重组框架的轨迹聚类(Trajectory Clustering based on Partition and Group,TRACLUS)算法对两个输入参数的敏感性问题,提出一种基于密度峰值的移动对象轨迹聚类算法。首先,利用非参数的核密度估计对给定轨迹数据集进行概率密度计算,并基于热传导的理论分析数据点的分布特征并自适应的选取截断距离参数,从而实现对原始密度峰值聚类算法的改进。然后将改进后的密度峰值聚类算法运用到轨迹子段的聚类上,实现了基于密度峰值的子轨迹聚类。在人工数据集的实验结果表明,改进的密度峰值聚类算法相比于原始的密度峰值聚类算法,不仅有效避免了人为选择截断距离的主观性,具有较强的鲁棒性,而且具有更高的聚类准确度。在真实的轨迹数据集上实验结果表明,基于密度峰值的移动对象轨迹聚类算法相比于TRACLUS算法降低了对输入参数的敏感性,且具有良好的轨迹聚类效果。(4)基于以上的研究成果设计并实现了城市交通拥堵区域检测原型系统,该原型系统实现了城市交通数据采集、城市交通拥堵区域检测和地图操作等功能。(本文来源于《南京邮电大学》期刊2018-11-14）
陈辉,关凯胜,李嘉兴[9]（2018）在《基于对象数量的宽度加权聚类kNN算法》一文中研究指出传统k最近邻算法(k-Nearest Neighbor,kNN)作为一种非参数化分类技术在数据分析中具有广泛的应用,但该算法具有较多的冗余计算,致使处理数据时需要花费较多的计算时间。目前大量的研究都集中在数据的预处理阶段,通过为数据建立模型降低kNN查询的计算量。提出一种基于对象数量的宽度加权聚类kNN算法(NOWCkNN),该算法中数据集首先以全局宽度进行聚类,每个生成的子集群根据其对象数量递归计算其宽度的权值,然后算法根据其权值的大小和调和系数调节宽度值,最后生成不同宽度大小的集群用于kNN查询。这不仅减少了算法的聚类时间,还能平衡产生集群的大小,减少迭代次数,使叁角不等式修剪率达到最大。实验结果表明,NOWCkNN算法与现有工作相比在各个维度的数据集中有较好的性能,尤其是在高维度、数据量较大的数据集中有更高的修剪效率。(本文来源于《计算机工程与应用》期刊2018年19期）
李军军,曹建农,程贝贝,廖娟,朱莹莹[10]（2019）在《联合像素与多尺度对象的高分辨率遥感影像谱聚类分割》一文中研究指出建立了融合多尺度信息的图模型,同时,为了顾及对象的局部统计特性,改进了基于对象的顶点间相似度计算方法。在图模型的基础上完成相似矩阵计算,并使用归一化分割准则对相似矩阵特征进行分解,将原始数据映射到低维子空间。最后,对特征筛选后的子集使用聚类算法完成影像分割。为了验证本文方法的有效性,选取高空间分辨率遥感影像进行实验并与目前分割精度较高的算法做定量化对比。实验结果表明:在4项实验指标中,除一项基本持平外,其他3项指标优于其他算法,证明了本文方法在高分辨率遥感影像分割中的有效性。(本文来源于《吉林大学学报(工学版)》期刊2019年06期）
对象聚类论文开题报告
（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：
传统的聚类算法一般是对单值属性数据进行聚类.但在许多实际应用中,每个对象通常被多个特征向量所描述.例如,顾客在购物时可能同时购买多个产品.由多个特征向量描述的对象称为矩阵对象,由矩阵对象构成的数据集称为矩阵对象数据集.目前,针对矩阵对象数据聚类算法的研究相对较少,还有很多问题有待解决.利用fuzzy k-modes算法的聚类过程,提出一种基于矩阵对象数据的matrix-object data fuzzy k-modes(MD fuzzy k-modes)聚类算法.该算法结合模糊集的概念引入模糊因子β,重新定义了矩阵对象间的相异性度量,并给出类中心的启发式更新算法.最后,在5个真实数据集上验证了MD fuzzy k-modes算法的有效性,并分析了模糊因子β与隶属度w之间的关系.大数据时代,利用MD fuzzy k-modes算法对多条记录进行聚类,能更易发现顾客的消费偏好,从而做出更有针对性的推荐.
（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。
对象聚类论文参考文献
[1].王梦遥,王晓晔,洪睿琪,柴晓瑞.基于改进BIRCH聚类算法的评价对象挖掘[J].软件.2019
[2].李顺勇,张苗苗,曹付元.基于分类型矩阵对象数据的MDfuzzyk-modes聚类算法[J].计算机研究与发展.2019
[3].王习涛,马雁疆,刘新新.基于余弦相识度的聚类算法在统计调查对象分类中的应用研究[J].市场研究.2019
[4].李锋.聚类分析视角下审计对象分类与抽样研究[J].中国内部审计.2019
[5].郭黎敏,蔺春华,高需,苏醒.基于聚类生成图的空间网络对象聚类[J].北京工业大学学报.2019
[6].张怀峰,皮德常,董玉兰.iBTC:一种基于独立森林的移动对象轨迹聚类算法[J].计算机科学.2019
[7].刘勇,周婷,全冰婷,刘思峰.基于对象多属性差异的灰色发展聚类方法及应用[J].运筹与管理.2018
[8].董晓君.路网环境中移动对象轨迹聚类算法的研究与应用[D].南京邮电大学.2018
[9].陈辉,关凯胜,李嘉兴.基于对象数量的宽度加权聚类kNN算法[J].计算机工程与应用.2018
[10].李军军,曹建农,程贝贝,廖娟,朱莹莹.联合像素与多尺度对象的高分辨率遥感影像谱聚类分割[J].吉林大学学报(工学版).2019
论文知识图
