

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、在基于劃分方法的聚類算法中,k-means算法因?yàn)楹?jiǎn)單易實(shí)現(xiàn)的特點(diǎn)而得到廣泛的應(yīng)用。然而它存在諸多的缺點(diǎn)特別是對(duì)于大規(guī)模數(shù)據(jù)不能進(jìn)行有效的聚類分析。本文主要研究了如何在k-means算法中應(yīng)用網(wǎng)格的思想,如何改進(jìn)網(wǎng)格方法中存在的問(wèn)題,以及如何改進(jìn)k-modes聚類算法并如何將其應(yīng)用到軟件安全檢測(cè)的問(wèn)題。這些問(wèn)題的研究在模式識(shí)別、數(shù)據(jù)分析、市場(chǎng)研究以及其它與聚類相關(guān)處理過(guò)程的分析中具有重要的意義。
首先,本文提出了一種基于網(wǎng)格密
2、度的改進(jìn)聚類算法 CABGD。在CABGD中,提出了網(wǎng)格中心密集度概念,通過(guò)計(jì)算網(wǎng)格中心密集度的值來(lái)識(shí)別網(wǎng)格內(nèi)數(shù)據(jù)的分布,解決了傳統(tǒng)網(wǎng)格算法中由于人為劃分網(wǎng)格不當(dāng)而導(dǎo)致聚類精度降低的問(wèn)題。這種算法在聚類精度上優(yōu)于傳統(tǒng)基于網(wǎng)格的聚類算法。
其次,提出了一種基于網(wǎng)格的改進(jìn)的k-means聚類算法IKMG。將單個(gè)網(wǎng)格作為基本的處理單元,同時(shí)應(yīng)用并進(jìn)一步改進(jìn)了中心密集度概念,并設(shè)計(jì)了一種新的數(shù)據(jù)結(jié)構(gòu)—聚類樹(shù)。通過(guò)聚類樹(shù)來(lái)組織和調(diào)整聚類
3、簇,樹(shù)的生成合并過(guò)程就是聚類過(guò)程。最終生成k個(gè)聚類樹(shù)即聚類結(jié)果。在聚類大規(guī)模數(shù)據(jù)時(shí),IKMG較傳統(tǒng)的k-means算法有更高的時(shí)間效率,能發(fā)現(xiàn)任意形狀大小的簇,無(wú)需人為指定k值的優(yōu)點(diǎn)。
最后,設(shè)計(jì)了一種相似特征樹(shù)的數(shù)據(jù)結(jié)構(gòu)SFT,SFT作為一種軟件故障檢測(cè)的工具,主要用來(lái)提高軟件安全檢測(cè)的效率。為了構(gòu)建SFT,提出了一種改進(jìn)的k-modes聚類算法IKMD。在算法IKMD中,初始眾數(shù)的選擇進(jìn)行于聚類的整個(gè)過(guò)程中。聚類結(jié)果以k棵
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于模糊聚類的大規(guī)模數(shù)據(jù)聚類算法及其應(yīng)用研究.pdf
- 面向大規(guī)模數(shù)據(jù)的聚類算法研究及應(yīng)用.pdf
- 大規(guī)模數(shù)據(jù)挖掘聚類算法的研究與實(shí)現(xiàn).pdf
- 面向大規(guī)模數(shù)據(jù)集的譜聚類方法研究.pdf
- 基于同步理論的大規(guī)模數(shù)據(jù)聚類算法分析及應(yīng)用研究.pdf
- 大規(guī)模數(shù)據(jù)集高效數(shù)據(jù)挖掘算法研究.pdf
- 基于協(xié)同進(jìn)化和譜聚類的大規(guī)模數(shù)據(jù)集快速聚類方法研究.pdf
- 面向大規(guī)模數(shù)據(jù)集的自適應(yīng)聚類算法并行化研究.pdf
- 面向大規(guī)模數(shù)據(jù)的多視角K-means聚類算法的研究.pdf
- 大規(guī)模數(shù)據(jù)聚類技術(shù)研究與實(shí)現(xiàn).pdf
- 改進(jìn)的人工免疫網(wǎng)絡(luò)算法及其大規(guī)模數(shù)據(jù)聚類研究.pdf
- 基于圖聚類算法的大規(guī)模RDF數(shù)據(jù)查詢方法研究.pdf
- 大規(guī)模數(shù)據(jù)集下一種增量譜聚類算法與框架的研究.pdf
- 針對(duì)大規(guī)模時(shí)間序列數(shù)據(jù)的改進(jìn)聚類算法.pdf
- 大規(guī)模科學(xué)數(shù)據(jù)挖掘中密度聚類算法的研究.pdf
- 大規(guī)模數(shù)據(jù)聚類分析方法研究.pdf
- 基于數(shù)據(jù)場(chǎng)的劃分聚類算法研究.pdf
- 基于大規(guī)模數(shù)據(jù)集的知識(shí)適配研究.pdf
- 大規(guī)模數(shù)據(jù)圖的壓縮算法及圖操作算法研究.pdf
- 面向大規(guī)模數(shù)據(jù)的單體分型算法研究.pdf
評(píng)論
0/150
提交評(píng)論