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:
数据的复杂和多样性使得对大数据处理和分析能力有更高的要求.流形聚类在数据挖掘中取得显著的成功,但参数调整是聚类算法研究中的难点之一,直接影响聚类性能.传统的聚类算法参数调节一般依赖于经验,或者因参数调节的盲目性和随机性,而使得算法失效或复杂度较高.提出了一种基于比例-积分-微分(PID)控制约束的主动控制机制,约束谱多流形聚类参数调整的新方法.通过构造相似度矩阵,使用多个主成分分析器来估计局部切线空间.模型逼近过程由参数传递和PID调节控制.在调整过程中,采用三维ZN方法调整模型参数,扩展搜索空间,根据反馈结果控制谱多流形聚类过程,提高了算法的准确性和复杂性.通过在合成和实际中的不同类型的数据特征集进行检验,可以获得更好的聚类性能.
推荐文章
基于流形距离核的自适应迁移谱聚类算法
相似度矩阵
流形距离核
谱聚类
迁移学习
全局一致性
局部结构
自适应
多尺度的谱聚类算法
聚类
谱聚类
k-means
多尺度
特征向量
基于流形结构的多聚类中心近邻传播聚类算法
近邻传播聚类
多聚类中心近邻传播聚类
基于密度的聚类
流形结构
相似性度量
流形上的空间密度聚类算法研究
空间聚类
流形
流形学习
主成分分析法
基于密度的聚类
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 PID参数调节的谱多流形聚类算法研究*
来源期刊 计算机科学与探索 学科 工学
关键词 谱多流形聚类 子空间聚类 聚类参数调节 比例-积分-微分(PID)
年,卷(期) 2019,(8) 所属期刊栏目 人工智能
研究方向 页码范围 1360-1369
页数 10页 分类号 TP391.4
字数 7447字 语种 中文
DOI 10.3778/j.issn.1673-9418.1812023
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 常言说 西安财经大学信息学院 2 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  (14)
节点文献
引证文献  (2)
同被引文献  (13)
二级引证文献  (0)
2000(1)
  • 参考文献(1)
  • 二级参考文献(0)
2006(1)
  • 参考文献(1)
  • 二级参考文献(0)
2011(2)
  • 参考文献(2)
  • 二级参考文献(0)
2013(1)
  • 参考文献(1)
  • 二级参考文献(0)
2015(3)
  • 参考文献(3)
  • 二级参考文献(0)
2016(1)
  • 参考文献(1)
  • 二级参考文献(0)
2017(1)
  • 参考文献(1)
  • 二级参考文献(0)
2018(4)
  • 参考文献(4)
  • 二级参考文献(0)
2019(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)
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
谱多流形聚类
子空间聚类
聚类参数调节
比例-积分-微分(PID)
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
计算机科学与探索
月刊
1673-9418
11-5602/TP
大16开
北京市海淀区北四环中路211号北京619信箱26分箱
82-560
2007
chi
出版文献量(篇)
2215
总下载数(次)
4
总被引数(次)
10748
论文1v1指导