这个是利用粒子群优化算法，结合聚类分析，对UCI常用数据集进行聚类分析，增强聚类的可靠性和稳定性，利用适应度函数作为收敛的依据。
希望对大家有用
希望对大家有用
2025/12/13 17:22:27
87KB
1
将模糊集理论和k-means聚类联系起来，设计了模糊k-means聚类算法，其聚类效果比单纯的k-means要好。
2025/12/5 13:32:49
1KB
1
1、对微博数据进行信息采集。
2、对微博数据进行文本特征项抽取。
3、对文本进行向量化。
4、采取相似度公式进行相似度计算和对比。
5、采用K均值聚类算法进行聚类。
6、结合导致微博热点话题产生的各个因素提出了一个用来计算话题热度的公式，进行热度评估。
2、对微博数据进行文本特征项抽取。
3、对文本进行向量化。
4、采取相似度公式进行相似度计算和对比。
5、采用K均值聚类算法进行聚类。
6、结合导致微博热点话题产生的各个因素提出了一个用来计算话题热度的公式，进行热度评估。
2025/12/3 16:07:01
45KB
1
基于密度的DBSCAN聚类算法可以识别任意形状簇,但存在全局参数Eps与MinPts的选择需人工干预,采用的区域查询方式过程复杂且易丢失对象等问题,提出了一种改进的参数自适应以及区域快速查询的密度聚类算法。
根据KNN分布与数学统计分析自适应计算出最优全局参数Eps与MinPts,避免聚类过程中的人工干预,实现了聚类过程的全自动化。
通过改进种子代表对象选取方式进行区域查询,无需漏检操作,有效提高了聚类的效率。
对4种典型数据集的密度聚类实验结果表明,本文算法使得聚类精度提高了8.825%,聚类的平均时间减少了0.92s。
根据KNN分布与数学统计分析自适应计算出最优全局参数Eps与MinPts,避免聚类过程中的人工干预,实现了聚类过程的全自动化。
通过改进种子代表对象选取方式进行区域查询,无需漏检操作,有效提高了聚类的效率。
对4种典型数据集的密度聚类实验结果表明,本文算法使得聚类精度提高了8.825%,聚类的平均时间减少了0.92s。
2025/10/18 21:46:30
143KB
1
这是一个MATLAB系列视频，共围绕30个计算机视觉和机器学习的实战项目展开。
十分适合作为课程作业或是课程汇报。
06_基于K-means聚类算法的图像分割，适合本科或部分研究生课程设计。
涉及到机器学习相关内容。
#2021#图像分割#
十分适合作为课程作业或是课程汇报。
06_基于K-means聚类算法的图像分割，适合本科或部分研究生课程设计。
涉及到机器学习相关内容。
#2021#图像分割#
2025/10/15 2:15:07
164KB
1
对蚁群聚类算法进行了分类说明和列举，蚁群聚类的模型和实验结果，以及和其他聚类算法的比较优越性能。
最后还有对蚁群聚类前景的展望和总结。
最后还有对蚁群聚类前景的展望和总结。
2025/9/25 8:23:39
439KB
1
提出了基于深度学习的聚类算法模型,将深度学习和聚类技术结合起来。
首先用深层神经网络结构对原始数据进行特征学习,然后对学习到的特征表示进行预聚类,最后在微调模块中进行特征的优化和聚类的优化。
这种模型能够学习到大规模数据中隐含的深层特征,并根据聚类要求进行进一步优化,在保持原始数据的结构的同时发掘数据簇结构。
在微调部分作者新设计了目标函数,使得微调完全成为一个优化的问题。
首先用深层神经网络结构对原始数据进行特征学习,然后对学习到的特征表示进行预聚类,最后在微调模块中进行特征的优化和聚类的优化。
这种模型能够学习到大规模数据中隐含的深层特征,并根据聚类要求进行进一步优化,在保持原始数据的结构的同时发掘数据簇结构。
在微调部分作者新设计了目标函数,使得微调完全成为一个优化的问题。
2025/9/2 17:17:55
4.85MB
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