原文服务方: 计算技术与自动化       
摘要:
通常,经典的数据聚类算法在低维情况下是有效的,但随着维数的增加,性能和效率都明显的下降,原因在于数据的复杂度是呈指数增长.本文提出了一个处理高维数据聚类的框架,并分析了该框架的性能.
推荐文章
高维数据聚类方法综述
高维数据
聚类
子空间
基于决策树的网络高维数据软子空间聚类方法研究
聚类方法
软子空间
高维数据
决策树
信息增益
仿真分析
基于关联规则的映射聚类算法
高维
映射聚类
关联规则
子空间
拓展集合差异度高维数据聚类
高维数据聚类:CABOSFV_C算法
拓展集合差异度
CAESD算法
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于映射的高维数据聚类方法
来源期刊 计算技术与自动化 学科
关键词 映射 高维数据 聚类
年,卷(期) 2005,(2) 所属期刊栏目 算法研究与分析
研究方向 页码范围 78-80
页数 3页 分类号 TP311.13
字数 语种 中文
DOI 10.3969/j.issn.1003-6199.2005.02.026
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 桂卫华 中南大学信息科学与工程学院 695 7452 38.0 56.0
2 彭辉 中南大学信息科学与工程学院 45 394 10.0 17.0
3 周煜人 中南大学信息科学与工程学院 1 2 1.0 1.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (0)
节点文献
引证文献  (2)
同被引文献  (0)
二级引证文献  (0)
2005(1)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(1)
  • 二级引证文献(0)
2005(1)
  • 引证文献(1)
  • 二级引证文献(0)
2008(1)
  • 引证文献(1)
  • 二级引证文献(0)
研究主题发展历程
节点文献
映射
高维数据
聚类
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算技术与自动化
季刊
1003-6199
43-1138/TP
16开
1982-01-01
chi
出版文献量(篇)
2979
总下载数(次)
0
总被引数(次)
14675
相关基金
国家自然科学基金
英文译名:the National Natural Science Foundation of China
官方网址:http://www.nsfc.gov.cn/
项目类型:青年科学基金项目(面上项目)
学科类型:数理科学
论文1v1指导