导读:本文包含了平面聚类算法论文开题报告文献综述及选题提纲参考文献，主要关键词:L1范数,凸问题,平面聚类,线性规划
平面聚类算法论文文献综述
杨红鑫,杨绪兵,寇振宇,业巧林,张福全[1]（2019）在《基于L1范数的k平面聚类算法设计》一文中研究指出基于L2范数度量的k平面聚类(k-Plane Clustering,k PC)设计思想,本文提出了一种采用L1范数度量的聚类算法。由于在平面更新步骤中,所导出的优化问题是非凸的,文中给出了一种求解方法,即将非凸问题转化为有限个子集上的凸问题,为避免求解多个优化问题导致训练时间过长问题,本文还设计了一种新的优选策略,有限个子集的搜索任务可在线性时间内完成。本文所提出的方法只需要求解k个线性规划,而不再是k PC的求解特征值问题。在人工和UCI数据集上的实验结果表明:基于L1范数平面聚类算法的训练和测试时间更短,且在大多数数据集上均表现出了更好的聚类性能。(本文来源于《南京航空航天大学学报》期刊2019年05期）
王烽[2]（2019）在《FCM聚类算法对平面标靶中心提取精度的探究》一文中研究指出本文详细阐述了FCM聚类算法的原理,分析了FCM聚类的有效性,并设计了平面标靶中心提取实验,利用MATLAB编写了基于FCM聚类算法的提取程序进行中心提取。最后对提取的中心坐标进行了对比分析,确认该方法可行、精度可靠,为后续海量点云数据的拼接处理研究提供了基础条件。(本文来源于《测绘通报》期刊2019年S1期）
沙作金[3]（2019）在《数据场聚类与平面变换雷达信号分选算法研究》一文中研究指出随着科学技术的进步,战争的所依赖的因素越来越多,作为战争双方“资源”的比拼,谁的“资源”多,获胜的可能性就越大。从一开始的兵力的多寡和兵器的质量,一直到现在全方位的经济。政治。军事上的综合实力,都在证明这“资源”的重要性。频谱作为一种有限的资源,势必成为双方争夺的目标之一,这就是电子战。雷达信号分选在电子战中担当着极为重要的作用,因为只有分选出电磁空间中的雷达脉冲信号,才能够对其进行威胁的评估,只有在充足信息下的决策才是正确性最高的,依赖于这个威胁评估的各种战场上的作战计划和作战策略才能使有效的。正因为雷达信号分选拥有这么重要的作用,战争双方自然会尽可能地对其进行研究,在研究的同时,为了防止己方的雷达信号被分选出来,各种雷达体制不断涌现出来,雷达信号的种类不断增多,变化形式愈加复杂。在这种情况下,雷达信号的分选任务的难度不断升级。本文从电子战中的雷达信号分选这一硬性需求出发,主要研究在复杂的电磁环境中实现雷达信号分选的工作,主要研究内容为以下几个方面:首先分析了雷达信号分选面临的现状,包括实际的电磁环境,雷达信号的各种参数和由此延伸出的各种信号形式,并介绍了几种经典的传统分选算法,包括CDIF、SDIF和PRI变换法等。其次针对传统聚类算法需要人为提供参数、聚类过程中因为初始聚类中心的选取容易造成局部最优解的出现及其对噪声点敏感等缺点,使用数据场完成聚类工作,可以自动确认聚类数目和聚类中心,通过势值大小设置阈值剔除孤立噪声点。之后对数据场的场强函数进行改进,因为数据场的场强函数描述的是数据对象对周围其他数据对象的影响方式,改进后的数据场减少了求得的聚类中心与理论值的误差。然后介绍了平面变换的原理,研究了平面变换算法对各种雷达脉冲信号的分选效果,结合PRI变换的思想对其进行优化,减少运算量,缩短运行时间。最后使用数据场聚类和平面变换算法对雷达脉冲进行联合分选,仿真结果表明,联合分选算法在存在脉冲丢失和干扰的情况下,仍有良好的分选正确的结果。(本文来源于《哈尔滨工程大学》期刊2019-01-01）
杨昔阳,周玉玲,李志伟[4]（2018）在《一种基于二型模糊集的模糊k-平面聚类算法》一文中研究指出当数据分布在超平面周围时,k-平面模糊聚类算法是一种可行的聚类算法,但在隶属度的描述上,该算法仍然有改进的空间.基于二型模糊集,提出了一种二型k-平面模糊聚类算法,通过寻找最佳的聚类指标对二型模糊集进行降型,使该算法达到更好的聚类效果.在加入了噪音的人工数据集上,对比传统的模糊聚类算法(FCM)和模糊k-平面聚类算法(FKPC),提出的二型模糊聚类算法具有更好的抗噪性能,也能对数据点进行更准确的聚类.(本文来源于《福建师范大学学报(自然科学版)》期刊2018年06期）
刘翔,王斌君,王靖亚,贺滢睿[5]（2015）在《平面空间时空轨迹快速聚类算法研究》一文中研究指出针对现有聚类分析算法对平面空间时空轨迹进行聚类的不足,提出了基于区域的快速聚类方法。借助先验知识确定输入参数,使用符合现实情况的切比雪夫距离或曼哈顿距离度量点间距离以划分聚类簇,区分人的各个常驻地点;使用区域迭加的概念度量点的密度,确定簇的质心以获得每个常驻地点的中心坐标;在保证算法复杂度的前提下确定簇的边缘点,标注人在每个常驻地点的活动范围。相比现有算法,该算法更适用于时空轨迹数据分析。(本文来源于《科学技术与工程》期刊2015年24期）
郭艳茹[6]（2015）在《k-中心平面聚类模型与算法研究》一文中研究指出聚类是将样本数据分成若干类的过程,使得同一个类中的数据对象之间相似度较高,而不同类中的数据对象之间相似度较低.聚类作为一种无监督学习的有用工具,已广泛应用于社会和经济的各个领域.k-平面聚类算法(kPC)将k-均值聚类算法(kmeans)构造聚类质心的思想推广到聚类平面,受到学术界的广泛重视,并已成为新的研究热点.本文以kPC为研究对象,做了如下两个方面的工作.第一方面,针对kPC的优化问题仅仅极小化类内相似度,而未考虑类间相似度的问题,提出了一种新颖的k-中心平面聚类算法(kPPC).与kPC相同,kPPC也是求解一系列的特征值问题.不同与kPC,kPPC主要有以下特点:(1)kPPC优化问题的目标函数既极小化类内差异,同时极大化类间差异,也就是要求聚类平面不仅离该类的样本点尽可能的近,而且离其它类的样本点尽可能的远.(2)不同于kPC的随机初始化,kPPC提出了一种高效的基于拉普拉斯图的初始化方法.(3)通过引入核函数,kPPC也被推广到非线性情况.第二方面,针对kPC和kPPC构造的聚类平面都具有无限延伸的性质,这将会影响聚类算法的性能,提出了局部k-中心平面聚类算法(LkPPC),它将kmeans算法引入到kPPC里,迫使样本点围绕在聚类中心周围.LkPPC主要有以下特点:(1)LkPPC在构造聚类平面时引入了样本数据的局部信息,从而限制了构造的聚类平面无限延伸.(2)与kPPC不同,LkPPC聚类时使得同类的样本数据到该类的聚类平面和类质心的距离尽可能的近,同时使得其它类的样本数据尽可能的远离该聚类平面.(3)在人工数据集和基准数据集上的试验表明,无论是kPPC还是LkPPC的聚类效果都明显优于kPC.同时,kPPC可以较好的处理非线性数据,LkPPC对于局部结构数据有更好的表现.(本文来源于《浙江工业大学》期刊2015-04-01）
何力,曲仕茹[7]（2014）在《球极平面逆投影迭代谱聚类算法》一文中研究指出提出一种相似矩阵迭代修正并聚类算法,分为偏振定理的谱分离数据和球极平面逆投影的几何分离数据两步.首先将数据谱分解,得到低维距离矩阵;然后投影到双随机矩阵,隐式进行一次球极平面逆投影,几何对称分离数据;最后解算投影后坐标,得到新相似矩阵.实验在人工合成数据和自然数据上进行,结果表明所提出算法修正了数据的相似度,并获得了正确的聚类个数,对尺度参数变化有较强的鲁棒性,聚类性能比修正前有较大提升.(本文来源于《控制与决策》期刊2014年03期）
王娟[8]（2013）在《基于动线型SLP聚类算法的企业发展平面布局最优化模型》一文中研究指出平面布局多点发展是当前企业业务管理科技化的基本环节。文章通过仿真模型研究企业多点发展平面布局的最优布局,并利用数学理论对业务平面布局最优设置点进行初步验证,在几组不同的企业业务调度管理规则和不同数量企业发展平面布局的条件下,分别将平面布局设置在不同之处,用仿真模型模拟各个布局的结果;并利用理论数学模型进行了最优研究分析实现平面布局设置的位置调度效率。(本文来源于《统计与决策》期刊2013年10期）
应文豪,王士同[9]（2011）在《正交模糊k平面聚类算法》一文中研究指出在模糊k平面聚类(KPC)算法的基础上,通过引入正交约束提出正交模糊k平面聚类算法(OFKPC).与KPC及模糊KPC(FKPC)类似,OFKPC仍从原型出发,用k组超平面替代传统的点(类中心)作为聚类原型.同时根据KPC及FKPC的思想,中心超平面是用来尽量区分不同类样本,因此这些超平面法向量构成的矩阵可用来进行特征降维.在人工数据集和UCI数据集上实验表明,OFKPC算法不仅较FKPC算法有更好的聚类效果,且具有更强的特征降维能力.(本文来源于《模式识别与人工智能》期刊2011年06期）
王茹,周明全,邢毓华[10]（2011）在《基于聚类平面特征的叁维点云数据精简算法》一文中研究指出根据建筑物在高度方向截面上的点云数据必定位于其轮廓线的原理,提出基于聚类平面特征的点云数据精简算法。该算法无需对扫描对象进行表面重构,而是在保持建筑物高度方向数据精度的前提下,对点云数据分层聚类简化,保留满足条件的特征点,删除其余的点。通过实例证明该算法可以在保持建筑物外形特征的同时,达到较高的精简比率。(本文来源于《计算机工程》期刊2011年10期）
平面聚类算法论文开题报告
（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：
本文详细阐述了FCM聚类算法的原理,分析了FCM聚类的有效性,并设计了平面标靶中心提取实验,利用MATLAB编写了基于FCM聚类算法的提取程序进行中心提取。最后对提取的中心坐标进行了对比分析,确认该方法可行、精度可靠,为后续海量点云数据的拼接处理研究提供了基础条件。
（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。
平面聚类算法论文参考文献
[1].杨红鑫,杨绪兵,寇振宇,业巧林,张福全.基于L1范数的k平面聚类算法设计[J].南京航空航天大学学报.2019
[2].王烽.FCM聚类算法对平面标靶中心提取精度的探究[J].测绘通报.2019
[3].沙作金.数据场聚类与平面变换雷达信号分选算法研究[D].哈尔滨工程大学.2019
[4].杨昔阳,周玉玲,李志伟.一种基于二型模糊集的模糊k-平面聚类算法[J].福建师范大学学报(自然科学版).2018
[5].刘翔,王斌君,王靖亚,贺滢睿.平面空间时空轨迹快速聚类算法研究[J].科学技术与工程.2015
[6].郭艳茹.k-中心平面聚类模型与算法研究[D].浙江工业大学.2015
[7].何力,曲仕茹.球极平面逆投影迭代谱聚类算法[J].控制与决策.2014
[8].王娟.基于动线型SLP聚类算法的企业发展平面布局最优化模型[J].统计与决策.2013
[9].应文豪,王士同.正交模糊k平面聚类算法[J].模式识别与人工智能.2011
[10].王茹,周明全,邢毓华.基于聚类平面特征的叁维点云数据精简算法[J].计算机工程.2011