为了提高雷达调制信号在电子对抗环境中的分选准确度，建立了基于偏联系数模糊聚类(PCFCM)算法和教与学随机森林(TLRF)算法的雷达调制信号分选(PCFCM-TLRF)模型。
该模型引入偏联系数(PCN)改进K均值聚类(K-means)算法，优化模糊C均值聚类(FCM)算法，用优化后的FCM算法对信号样本集进行预处理；
使用“教与学”优化(TLBO)算法优化随机森林(RF)算法，使优化后的RF算法能够以更低的复杂度构成更优的分类器；
将预处理后的样本作为TLRF中的训练样本实现信号分选。
研究结果表明，与其他分选模型相比，PCFCM-TLRF模型具有更高的分选准确度，能够有效地实现雷达调制信号的分选。
该模型引入偏联系数(PCN)改进K均值聚类(K-means)算法，优化模糊C均值聚类(FCM)算法，用优化后的FCM算法对信号样本集进行预处理；
使用“教与学”优化(TLBO)算法优化随机森林(RF)算法，使优化后的RF算法能够以更低的复杂度构成更优的分类器；
将预处理后的样本作为TLRF中的训练样本实现信号分选。
研究结果表明，与其他分选模型相比，PCFCM-TLRF模型具有更高的分选准确度，能够有效地实现雷达调制信号的分选。
3.03MB
1
实验描述:对指定数据集进行聚类分析，选择适当的聚类算法，编写程序实现，提交程序和结果报告。
数据集：IrisDataSet（见附件一），根据花的属性进行聚类。
数据包括四个属性：sepallength花萼长度，sepalwidth花萼宽度，petallength花瓣长度，petalwidth花瓣宽度。
其中第五个值表示该样本属于哪一个类。
样本点间的距离直接用向量的欧氏距离。
数据集：IrisDataSet（见附件一），根据花的属性进行聚类。
数据包括四个属性：sepallength花萼长度，sepalwidth花萼宽度，petallength花瓣长度，petalwidth花瓣宽度。
其中第五个值表示该样本属于哪一个类。
样本点间的距离直接用向量的欧氏距离。
2024/2/14 17:19:40
15KB
1
1.C4.5：是机器学习算法中的一种分类决策树算法，其核心算法是ID3算法。
2.K-means算法：是一种聚类算法。
3.SVM：一种监督式学习的方法，广泛运用于统计分类以及回归分析中4.Apriori：是一种最有影响的挖掘布尔关联规则频繁项集的算法。
5.EM：最大期望值法。
6.pagerank：是google算法的重要内容。
7.Adaboost：是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器然后把弱分类器集合起来，构成一个更强的最终分类器。
8.KNN：是一个理论上比较成熟的的方法，也是最简单的机器学习方法之一。
9.NaiveBayes：在众多分类方法中，应用最广泛的有决策树模型和朴素贝叶斯（NaiveBayes）10.Cart：分类与回归树，在分类树下面有两个关键的思想，第一个是关于递归地划分自变量空间的想法，第二个是用验证数据进行减枝
2.K-means算法：是一种聚类算法。
3.SVM：一种监督式学习的方法，广泛运用于统计分类以及回归分析中4.Apriori：是一种最有影响的挖掘布尔关联规则频繁项集的算法。
5.EM：最大期望值法。
6.pagerank：是google算法的重要内容。
7.Adaboost：是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器然后把弱分类器集合起来，构成一个更强的最终分类器。
8.KNN：是一个理论上比较成熟的的方法，也是最简单的机器学习方法之一。
9.NaiveBayes：在众多分类方法中，应用最广泛的有决策树模型和朴素贝叶斯（NaiveBayes）10.Cart：分类与回归树，在分类树下面有两个关键的思想，第一个是关于递归地划分自变量空间的想法，第二个是用验证数据进行减枝
2024/1/25 9:25:40
626KB
1
算法思想：提取文档的TF/IDF权重，然后用余弦定理计算两个多维向量的距离来计算两篇文档的相似度，用标准的k-means算法就可以实现文本聚类。
源码为java实现
源码为java实现
2023/11/20 2:12:44
9KB
1
k-means算法接受输入量k；
然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；
而不同聚类中的对象相似度较小。
聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。
k-means算法的工作过程说明如下：首先从n个数据对象任意选择k个对象作为初始聚类中心；
而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；
然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；
不断重复这一过程直到标准测度函数开始收敛为止。
一般都采用均方差作为标准测度函数.k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。
然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；
而不同聚类中的对象相似度较小。
聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。
k-means算法的工作过程说明如下：首先从n个数据对象任意选择k个对象作为初始聚类中心；
而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；
然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；
不断重复这一过程直到标准测度函数开始收敛为止。
一般都采用均方差作为标准测度函数.k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。
2023/11/11 15:04:35
17KB
1
基于内容的图像检索技术：1、基于颜色的图像检索：用的是二分K-means算法实现的2、基于纹理的图像检索：用的是灰度共生矩阵实现的3、基于形状的图像检索：用的是形状不变矩法实现的语言：python工具：VScode数据库：没用数据库，图像特征值直接放在txt文件里图像来源：Corel图像库中2000幅图像（资源里放在image.orig文件夹里）该项目可以直接使用！
2023/11/6 22:22:33
28.58MB
1
hadoopk-means算法实现java工程的打包类，可直接在terminal中运行，运行命令为：$HADOOP_HOME/bin/hadoopjarClusterDemo.jarmain.Cluster然后直接确定就可以看到提示的运行参数或者参考下面：+"\n" +"\t:输入文件路径\n" +"\t:输出文件路径\n" +"\t:初始中心路径\n" +"\t:临时输出文件路径\n" +"\t:循环最大次数\n" +"\t:聚类中心变化阈值\n" +"\t:聚类中心数目\n" +"\t:原始数据属性数目\n" +"\t:reduce数目");
2023/10/30 8:43:26
12KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB