摘要:

关于网页聚类的研究已经提出多种基于文本-链接模型的聚类算法,其中应用最广泛的便是MS模型.针对MS模型在效率和计算精度方面的不足,提出了改进的TLMS模型.新模型通过将词聚成词簇、链接向量聚成链接簇的方法将MS模型的词空间和链接空间进行大幅的压缩,并应用近邻传播算法替代传统的K-means算法对网页进行聚类.实验证明,TLMS模型+近邻传播算法聚类精度高、执行效率好.

摘要:

传统的RBF神经网络预测精度会由于随机选取隐含层中心节点不合适而导致算法效率低下和数值病态，为了提高RBF神经网络的效率，提出了一种用近邻传播AP聚类算法改进RBF神经网络的方法，并介绍了该方法的原理及建模步骤。由于采用的AP聚类算法属于自适应聚类学习算法，无需事先给定隐含层中心节点的个数，能够适用于不具有先验信息的预测。首先，利用AP算法根据训练样本的信息进行聚类迭代，从而确定RBF神经网络中隐含层的中心节点和节点数值，解决了RBF网络的中心取值问题。然后，把所有输入数据代入基于AP聚类算法优化的RBF神经网络中进行预测。由于AP算法无需预先指定聚类数目，所提方案能提高网络的学习精度和训练速度，利用所提优化方案对正弦函数进行逼近的仿真实验，结果表明该方案的逼近误差仅为0.0055，在0.3噪声下能保持较好的预测精度。

摘要:

为了快速精准地将企业技术需求与科技专家进行匹配,提出一种基于Spark的分布式科技专家推荐模型,解决海量科技资源分类效果不佳和推荐速度慢的问题.首先,采用改进的基于萤火虫的近邻传播聚类算法(Firefly Algorithm Affinity Propagation clustering,FAAP)对参考度进行自适应优化,以提高数据集的分类效果;其次,在Spark环境下,研究一种基于近邻传播聚类算法的科技专家推荐模型,采用FAAP算法优化科技资源的分类效果,设计打分机制对推荐专家进行排序,并根据企业需求进行高级筛选,快速匹配科技专家和企业技术需求,加快科技专家推荐的速度.

摘要:

针对传统谱聚类算法应用于图像分割时仅采用特征相似性信息构造相似性矩阵，而忽略了像素分布的空间临近信息的缺陷，提出一种新的相似性度量公式——加权欧氏距离的高斯核函数，充分利用图像特征相似性信息和空间临近信息构造相似性矩阵。在谱映射过程中，采用Nystrom逼近策略近似估计相似性矩阵及其特征向量，大大减少了求解相似性矩阵的运算复杂度，降低了内存消耗。对得到的低维向量子空间采用一种新型的聚类算法——近邻传播聚类算法进行聚类，避免了传统谱聚类采用K-means算法对初始值敏感，易陷入局部最优的缺陷。实验表明该算法获得了比传统谱聚类算法更好的分割效果。

摘要:

针对特定场景下传统点云分割算法不精确及特征描述不全面的问题,提出一种融合2D和3D多特征的近邻传播(AP)聚类集成分割方法.从点云中获得一组表征复杂室内场景不同点云类别的描述子,如彩色图像特征、曲率、法向量、旋转图像等,根据它们之间的差异性,通过对每类特征进行AP聚类得到聚类成员,建立聚类成员簇间一致性矩阵,并利用Ncut算法进行图分割获得最终的点云分割结果.实验结果表明,该算法相较传统的点云分割算法能更准确地区分室内复杂三维点云场景,并且具有更好的稳定性.

摘要:

关于网页聚类的研究已经提出多种基于文本-链接模型的聚类算法,其中应用最广泛的便是MS模型.针对MS模型在效率和计算精度方面的不足,提出了改进的TLMS模型.新模型通过将词聚成词簇、链接向量聚成链接簇的方法将MS模型的词空间和链接空间进行大幅的压缩,并应用近邻传播算法替代传统的K-means算法对网页进行聚类.实验证明,TLMS模型+近邻传播算法聚类精度高、执行效率好.

摘要:

针对传统Harris角点检测算法和目前一些改进算法应用在图像拼接时,仍然可能存在只可在单一尺度上检测、角点位置不准确、伪检和对噪声敏感致使检测率不高等缺点,提出一种基于AP聚类角点提取优化的双边滤波(BF)角点检测改进算法.该算法在对图像进行双边滤波和多尺度角点检测的基础上,采用一种新型的聚类算法——近邻传播聚类算法(AP聚类算法),对候选角点提取真实角点的效率进行优化,并对角点算子进行改进.实验是在VS2010+OpenCV平台实现的.结果表明提出的改进算法不仅提高了角点提取效率,而且更加精确地检测图像角点,具有更好的效果,更强的实用性.

摘要:

传统的RBF神经网络预测精度会由于随机选取隐含层中心节点不合适而导致算法效率低下和数值病态，为了提高RBF神经网络的效率，提出了一种用近邻传播AP聚类算法改进RBF神经网络的方法，并介绍了该方法的原理及建模步骤。由于采用的AP聚类算法属于自适应聚类学习算法，无需事先给定隐含层中心节点的个数，能够适用于不具有先验信息的预测。首先，利用AP算法根据训练样本的信息进行聚类迭代，从而确定RBF神经网络中隐含层的中心节点和节点数值，解决了RBF网络的中心取值问题。然后，把所有输入数据代入基于AP聚类算法优化的RBF神经网络中进行预测。由于AP算法无需预先指定聚类数目，所提方案能提高网络的学习精度和训练速度，利用所提优化方案对正弦函数进行逼近的仿真实验，结果表明该方案的逼近误差仅为0.0055，在0.3噪声下能保持较好的预测精度。

摘要:

针对近邻传播算法无法有效处理高维数据而导致聚类效果不佳的问题，提出一种基于奇异值分解的自适应近邻传播(SVD-SAP)聚类算法。通过引入奇异值分解，对高维数据进行重构、降维，消除冗余信息，并在此基础上采用非线性函数策略，自适应地调整阻尼系数，提高算法的聚类性能。仿真实验结果表明，与已有算法相比，该改进算法聚类精度更高，收敛速度更快。