作者:
基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
传统K-means算法由于采用随机选择方式确定初始聚类中心,且各数据属性权重均等导致聚类时间和准确性的缺失。为此本文提出基于属性权重的K-means优化算法。
推荐文章
基于属性权重最优化的 k-means 聚类算法
聚类算法
属性权重
数据挖掘
目标函数
基于萤火虫优化的加权K-means算法
加权K-means
聚类
萤火虫算法
基于变异的k-means聚类算法
聚类
mk-means算法
变异
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 基于属性权重的K-means优化算法
来源期刊 科技展望 学科
关键词 K-means 权重分配 高密度数据 聚类分析
年,卷(期) 2014,(18) 所属期刊栏目 经验交流
研究方向 页码范围 274-274
页数 1页 分类号
字数 1330字 语种 中文
DOI
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 江玲 西南科技大学信息工程学院 3 5 1.0 2.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (11)
共引文献  (75)
参考文献  (3)
节点文献
引证文献  (3)
同被引文献  (0)
二级引证文献  (0)
1967(1)
  • 参考文献(1)
  • 二级参考文献(0)
1996(1)
  • 参考文献(0)
  • 二级参考文献(1)
2000(1)
  • 参考文献(0)
  • 二级参考文献(1)
2004(1)
  • 参考文献(0)
  • 二级参考文献(1)
2005(2)
  • 参考文献(0)
  • 二级参考文献(2)
2006(2)
  • 参考文献(0)
  • 二级参考文献(2)
2007(4)
  • 参考文献(0)
  • 二级参考文献(4)
2009(2)
  • 参考文献(2)
  • 二级参考文献(0)
2014(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2015(1)
  • 引证文献(1)
  • 二级引证文献(0)
2017(1)
  • 引证文献(1)
  • 二级引证文献(0)
2019(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
K-means
权重分配
高密度数据
聚类分析
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
科技展望
旬刊
1672-8289
64-1054/N
大16开
宁夏回族自治区银川市
1991
chi
出版文献量(篇)
34711
总下载数(次)
166
总被引数(次)
54544
论文1v1指导