搜索结果: 1-15 共查到“计算机科学技术 K-means”相关记录34条 . 查询时间(0.125 秒)
中国地质大学科学技术发展院章丽平，张艺馨，唐善玉等计算机学院，IEEE Transactions on Industrial Electronics, 2018, Privacy Protection for E-health Systems by Means of Dynamic Authentication and Three-factor Key Agreement
电子医疗；健康系统；通信安全；认证协议
2021/10/21
2018年，题为"Privacy Protection for E-health Systems Using Dynamic Authentication and Three-factor Key Agreement" 论文刊发在国际权威期刊《IEEE Transactions on Industrial Electronics》上。该文第一作者为中国地质大学计算机学院章丽平副教授。该文对电子医疗...
ADAPTATION OF ROADS TO ALS DATA BY MEANS OF NETWORK SNAKES
snakes networks vector data roads ALS intensity topology consistency
2016/2/29
In the Authoritative Topographic Cartographic Information System (ATKIS®), which is the main public topographic data base in
Germany, the heights and the 2D positions of objects such as roads a...
Performance analysis of EM-MPM and K-means clustering in 3D ultrasound breast image segmentation
segmentation EM-MPM ultrasound
2015/1/20
Mammographic density is an important risk factor for breast cancer, detecting and screening at an early stage could help save lives. To analyze breast density distribution, a good segmentation algorit...
针对传统K-means算法初始聚类中心选择的随机性可能导致迭代次数增加、陷入局部最优和聚类结果不稳定现象的缺陷,提出一种基于隐含狄利克雷分布(LDA)主题概率模型的初始聚类中心选择算法。该算法选择蕴含在文本集中影响程度最大的前m个主题,并在这m个主题所在的维度上对文本集进行初步聚类,从而找到聚类中心,然后以这些聚类中心为初始聚类中心对文本集进行所有维度上的聚类,理论上保证了选择的初始聚类中心是基于...
针对K-means聚类算法对初始聚类中心敏感和易陷入局部最优解的缺点,提出一种基于K-means的人工蜂群(ABC)聚类算法。将改进的人工蜂群算法和K-means迭代相结合,使算法对初始聚类中心的依赖性和陷入局部最优解的可能性降低,提高了算法的稳定性。通过基于反向学习的初始化策略,增强了初始群体的多样性。利用非线性选择策略,改善了过早收敛问题,提高了搜索效率。通过对邻域搜索范围的动态调整,提高了算...
建立两维度的客户价值评价模型，从客户当前价值和潜在价值两个方面评价客户价值。该模型首先运用网络层次分析法（ANP）对指标赋权，兼顾了指标间的相互影响，根据各指标权重和得分计算客户价值；然后使用K-means聚类算法对客户群进行细分，确定客户等级划分的标准，划分客户类别。最后以某市烟草公司零售终端客户价值分类为应用实例，运用定性和定量的方法建立多角度的客户价值评价指标体系，采用ANP确定指标权重，并...
基于K-means算法的学生试卷成绩分析
K-means 算法 聚类技术 学生成绩 成绩分析
2012/9/27
目前在教学管理中,通常采用算术平均线性划分法对学生成绩进行分析评价,难以准确地反映学生真实的学习情况.笔者运用 K-means 算法对上海市某高级中学某班的一次试卷成绩进行聚类,并对聚类结果进行了详细分析,为制定有效的教学及学习策略提供相关依据.
K-means聚类与SVDD结合的新的分类算法
单值分类 支持向量数据描述 K-means聚类 局部疏密度
2010/8/30
为了提高支持向量数据描述(SVDD)的分类精度，引入局部疏密度提出了改进的SVDD算法。该算法提高了分类精度，但增加了计算复杂度。为此，先用K-means聚类将整个数据集划分为k个簇，再用改进的SVDD算法并行训练k个簇，最后再对获得的k个局部支持向量集训练，即得到最终的全局决策边界。由于采用了分而治之并行计算的方法，提高了算法的效率。对合成数据(200个)和实际数据的实验结果表明，所提算法较SV...
一种应用复杂网络特征的K-means初始化方法
聚类 K-means算法 复杂网络特征 聚类初始点
2010/3/1
K-means算法是一种基于划分的聚类算法，具有算法简单且收敛速度快的特点。但该算法的性能依赖于聚类中心的初始位置的选择。拓展了复杂网络的重要特征，针对带有属性的数据对象所构成的数据集，定义了多维属性对象的度、聚集度和聚集系数，选取度和聚集系数高的K个点作为K-means聚类的初始中心点。实验数据表明，改进后的K-means算法较传统的算法具有更高的效率和准确度。
提出一种基于改进的k-means算法的图像标注和检索方法。首先对训练图像进行分割，采用改进的k-means算法对分割后的区域进行聚类。改进的k-means算法首先采用遗传聚类算法确定聚类数k，然后对聚类中心进行选择。在图像标注时，首先通过已标注的图像求出语义概念和聚类区域的关联度，用它作为待标注图像的先验知识，然后结合区域的低层特征，对未标注的图像进行标注。在一个包含1 000幅图像的图像库进行实...
基于多示例的K-means聚类学习算法
多示例学习 K-means聚类 包间距
2009/11/26
多示例学习是继监督学习、非监督学习、强化学习后的又一机器学习框架。将多示例学习和非监督学习结合起来，在传统非监督聚类算法K-means的基础上提出MI_K-means算法，该算法利用混合Hausdorff距离作为相似测度来实现数据聚类。实验表明，该方法能够有效揭示多示例数据集的内在结构，与K-means算法相比具有更好的聚类效果。
基于k-means聚类的神经网络分类器集成方法研究
差异性 集成学习 分类器
2009/9/30
针对差异性是集成学习的必要条件，研究了基于k-means聚类技术提高神经网络分类器集成差异性的方法。通过训练集并使用神经网络分类器学习算法训练许多分类器模型，在验证集中利用每个分类器的分类结果作为聚类的数据对象；然后应用k-means聚类方法对这些数据聚类，在聚类结果的每个簇中选择一个分类器代表模型，以此构成集成学习的成员；最后应用投票方法实验研究了这种提高集成学习差异性方法的性能，并与常用的集成...
基于k-means和半监督机制的单类中心学习算法
k-means 单类学习 半监督学习
2009/9/21
提出了一个基于kmeans算法框架和半监督机制的singlemeans算法，以解决单类中心学习问题。kmeans算法实质上是对一种混合高斯模型的期望最大化（EM）算法的近似，对该模型随机生成的多类混合数据集，从目标类中随机标定的初始中心出发，能确定地收敛到该类的实际中心。将singlemeans算法应用到对单类文本中心学习问题中，实验结果表明：在给定目标类中的小标定文本集后，新算法能够有效...
基于PSO与K-均值算法的农业超绿图像分割方法（Agriculture Extra-green Image Segmentation Based on Particle Swarm Optimization and K-means Clustering）
图像分割 微粒群算法 K均值算法
2009/9/11
为了解决K-均值算法对农业图像中常用的超绿特征2G—R—B图像分割效果不佳的缺点，提出一种基于微粒群与K均值算法的图像分割方法。先用K均值算法对图像进行快速分类，然后将分类结果作为其中一个微粒的结果，利用微粒群算法计算，最后用K-均值算法在新的分类基础上计算新的聚类中心，更新当前的位置，以得到最优的图像分割阈值。试验结果表明，改进算法对超绿特征2G—R—B图像能够准确分割目标，且对不同类型的农业超...