基于懲罰因子的樣本隸屬度改進(jìn)算法
大小：0.78 MB 人氣： 2017-12-12 需要積分：1
標(biāo)簽：聚類(14184)模糊C均值(1230)
針對傳統(tǒng)模糊C均值（FCM）算法在聚類過程中存在收斂速度慢、對大數(shù)據(jù)處理實時性不強等問題，提出了一種基于懲罰因子的樣本隸屬度改進(jìn)算法。首先分析抑制式模糊C均值（ SFCM）聚類特點，研究懲罰因子對樣本隸屬度修正的觸發(fā)條件，進(jìn)而設(shè)計出基于懲罰因子的SFCM聚類隸屬度動態(tài)修正算法。通過算法實現(xiàn)樣本向“兩極移動”，達(dá)到快速收斂之目的。理論分析與實驗結(jié)果表明，在相同的初始化條件下，改進(jìn)算法的執(zhí)行時間效率比傳統(tǒng)FCM算法提高約40%，比基于優(yōu)化選擇的SFCM（ OS-SFCM）算法提高l0%，其聚類準(zhǔn)確度與其他兩種算法相比也有一定的提高。
?
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
基于懲罰因子的樣本隸屬度改進(jìn)算法下載
相關(guān)電子資料下載
- 對新輔助TCHP治療響應(yīng)的HER2+乳腺癌空間蛋白質(zhì)組特征 547
- 使用輪廓分?jǐn)?shù)提升時間序列聚類的表現(xiàn) 316
- 基于K-means聚類算法的圖像分割 1113
- 介紹一種基于最小化平方誤差的聚類算法 498
- 介紹一種基于分層聚類方法的木馬通信行為檢測模型 1060
- 深度學(xué)習(xí)聚類的綜述 780
- 聚類分析中的機器學(xué)習(xí)與統(tǒng)計方法綜述（二） 679
- 如何在 Python 中安裝和使用頂級聚類算法 415
- 聚類分析中的機器學(xué)習(xí)與統(tǒng)計方法綜述（一） 638
- 機器學(xué)習(xí)之分類分析與聚類分析 3550