聚类技术，作为数据挖掘与机器学习的核心算法之一，通过将相似的数据点归为一类，实现对复杂数据集的有效分析与简化。广泛应用于图像处理、模式识别、生物信息学及市场细分等多个领域。掌握聚类算法不仅能够帮助工程师解决实际问题，还能提升个人在数据分析领域的竞争力。本页面汇集了10665个精选资源，涵盖K-mea...
通过对聚类分析及其算法的论述，从多个方面对这些算法性能进行比较，同时以儿童生长发育时期的数据为例通过聚类分析的软件和改进的K－means算法来进一步阐述聚类分析在数据挖掘中的实践应用。
摘 要：近邻传播(AP)聚类算法面临的一个问题是不适用于多重尺度及任意空间形状的数据聚类处理。该文从数据分布特性的表征出发，提出了一种改进的近邻传播聚类算法AP-VSM (Affinity Propagation based onVaria...
传统K均值算法对初始聚类中心敏感，聚类结果随不同的初始输入而波动，容易陷入局部最优值。针对上述问题，该文提出一种基于遗传算法的K均值聚类算法，将K均值算法的局部寻优能力与遗传算法的全局寻优能力相结合，
颜色对聚类量化算法是进行色彩量化的重要方法之一,将二维平面上最接近点对问题[1]推广到三维色彩空间,采用递归与分治策略有效地提高了该方法量化过程中对两个最小误差颜色点的选择效率,颜色对的选择效率为O(
聚类是数据挖掘的主要技术之一，是一种无导师监督的模式识别方式。聚类分析是按照数据间的相似程度，依据特定的准则将数据划分成不同子类。该文结合微粒群(PSO)算法，提出一种数字属性聚类算法，为避免PSO
目标分群是态势估计需要解决的一个重要问题。目标分群的结果有助于确定态势元素间的关系，从而为作战决策提供依据。提出了一种海战场环境下目标分群的方法。该方法在考虑目标各运动要素的基础上，对其进行最