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:
Kmeans是一种经典聚类算法,应用范围很广。但该算法有着自身的一些缺点,如不能消除离群点的影响,对初始聚类中心的选取敏感,聚类结果不稳定等。本文基于单点密度来屏蔽离群点和选取初始聚类中心,达到优化Kmeans的目的,该算法简称SDKmeans(Single density kmeans)。实验证明,SDKmeans算法能获得较好较稳定的聚类结果。
推荐文章
基于OpenCL的Kmeans算法的优化研究
OpenCL
并行计算
Kmeans
迭代算法
跨平台
ABC_Kmeans聚类算法的MapReduce并行化研究
K-means
聚类
人工蜂群
MapReduce
Kernel-Kmeans:一种基于核密度估计的空间聚类算法
核密度估计
Kmeans算法
轮廓系数
云计算平台上的Canopy-Kmeans并行聚类算法研究
云计算平台
Canopy-Kmeans算法
并行聚类算法
大数据挖掘
集群数据
数据分析
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 基于单点密度的Kmeans算法优化
来源期刊 福建电脑 学科
关键词 Kmeans 密度聚类 算法优化
年,卷(期) 2015,(1) 所属期刊栏目 应用与开发
研究方向 页码范围 73-74,115
页数 3页 分类号
字数 3101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 汪宜东 厦门大学软件学院 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  (7)
节点文献
引证文献  (2)
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)
1977(1)
  • 参考文献(1)
  • 二级参考文献(0)
1979(1)
  • 参考文献(1)
  • 二级参考文献(0)
1985(1)
  • 参考文献(1)
  • 二级参考文献(0)
1994(1)
  • 参考文献(1)
  • 二级参考文献(0)
2010(1)
  • 参考文献(1)
  • 二级参考文献(0)
2013(1)
  • 参考文献(1)
  • 二级参考文献(0)
2015(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)
2017(2)
  • 引证文献(2)
  • 二级引证文献(0)
研究主题发展历程
节点文献
Kmeans
密度聚类
算法优化
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
福建电脑
月刊
1673-2782
35-1115/TP
大16开
福州市华林邮局29号信箱
1985
chi
出版文献量(篇)
21147
总下载数(次)
86
总被引数(次)
44699
论文1v1指导