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:
随着医学信息化、网络化的发展,传统的数据挖掘[1]方法在处理复杂的医学数据方面,表现出很大的局限性.因此,需要研究开发更有效的挖掘方法.通过对聚类分析中最经典的K-means算法[2]进行优化研究,以解决在每次迭代中,K-means算法都要计算数据点和所有中心之间的距离[3]问题为目的.通过保留数据点到最近的簇的距离,并与下次迭代中计算的中心点距离作比较的方法,减少了K-means算法在图案数量和迭代集群数量时所需的时间,并能够产生与原始算法相同有效的聚类结果.最终得到改进后的算法大大提高了执行效率,且在性能上比K-means算法有显著优越性的结论.
推荐文章
基于Spark的并行K-means算法研究
Spark
K-means
PSO
迭代计算
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
基于Hadoop的灰狼优化K-means算法在主题发现的研究
文本聚类
K-means算法
主题发现
灰狼优化算法
分布式计算
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 基于医疗数据的K-means算法优化研究
来源期刊 中国数字医学 学科 医学
关键词 医疗数据 数据挖掘 K-means算法
年,卷(期) 2016,(8) 所属期刊栏目 特别专题——医疗健康大数据论坛
研究方向 页码范围 22-24
页数 3页 分类号 R319|TP399
字数 2397字 语种 中文
DOI 10.3969/j.issn.1673-7571.2016.08.007
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (3)
共引文献  (84)
参考文献  (6)
节点文献
引证文献  (4)
同被引文献  (11)
二级引证文献  (0)
1993(1)
  • 参考文献(0)
  • 二级参考文献(1)
1997(1)
  • 参考文献(1)
  • 二级参考文献(0)
1999(1)
  • 参考文献(0)
  • 二级参考文献(1)
2003(2)
  • 参考文献(1)
  • 二级参考文献(1)
2005(1)
  • 参考文献(1)
  • 二级参考文献(0)
2008(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)
2014(1)
  • 参考文献(1)
  • 二级参考文献(0)
2016(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)
2019(1)
  • 引证文献(1)
  • 二级引证文献(0)
2020(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
医疗数据
数据挖掘
K-means算法
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
中国数字医学
月刊
1673-7571
11-5550/R
大16开
北京市朝阳区光华路甲8号和乔大厦A座528A室
80-133
2006
chi
出版文献量(篇)
6783
总下载数(次)
21
论文1v1指导