搜索结果: 1-5 共查到“人工智能 K-means”相关记录5条 . 查询时间(0.203 秒)
针对传统K-means算法初始聚类中心选择的随机性可能导致迭代次数增加、陷入局部最优和聚类结果不稳定现象的缺陷,提出一种基于隐含狄利克雷分布(LDA)主题概率模型的初始聚类中心选择算法。该算法选择蕴含在文本集中影响程度最大的前m个主题,并在这m个主题所在的维度上对文本集进行初步聚类,从而找到聚类中心,然后以这些聚类中心为初始聚类中心对文本集进行所有维度上的聚类,理论上保证了选择的初始聚类中心是基于...
针对K-means聚类算法对初始聚类中心敏感和易陷入局部最优解的缺点,提出一种基于K-means的人工蜂群(ABC)聚类算法。将改进的人工蜂群算法和K-means迭代相结合,使算法对初始聚类中心的依赖性和陷入局部最优解的可能性降低,提高了算法的稳定性。通过基于反向学习的初始化策略,增强了初始群体的多样性。利用非线性选择策略,改善了过早收敛问题,提高了搜索效率。通过对邻域搜索范围的动态调整,提高了算...
基于多示例的K-means聚类学习算法
多示例学习 K-means聚类 包间距
2009/11/26
多示例学习是继监督学习、非监督学习、强化学习后的又一机器学习框架。将多示例学习和非监督学习结合起来，在传统非监督聚类算法K-means的基础上提出MI_K-means算法，该算法利用混合Hausdorff距离作为相似测度来实现数据聚类。实验表明，该方法能够有效揭示多示例数据集的内在结构，与K-means算法相比具有更好的聚类效果。
基于k-means聚类的神经网络分类器集成方法研究
差异性 集成学习 分类器
2009/9/30
针对差异性是集成学习的必要条件，研究了基于k-means聚类技术提高神经网络分类器集成差异性的方法。通过训练集并使用神经网络分类器学习算法训练许多分类器模型，在验证集中利用每个分类器的分类结果作为聚类的数据对象；然后应用k-means聚类方法对这些数据聚类，在聚类结果的每个簇中选择一个分类器代表模型，以此构成集成学习的成员；最后应用投票方法实验研究了这种提高集成学习差异性方法的性能，并与常用的集成...
初始化K-means的谱方法
聚类 K-means 算法 特征中心
2008/12/30
众所周知, K-means (以下简称KM) 对初始点十分敏感. 本文提出了一种新的初始化KM 的方法, 它先估计出k个类的特征中心的位置, 然后用估计出的特征中心来初始化KM. 在人工数据集和真实数据集上的实验表明, 本文的方法所得到的结果要好于其他一些初始化KM 的方法.