“聚類演算法”造句，怎麼用聚類演算法造句

提出了一種基於模糊C-均值演算法和粒子群演算法的混合聚類演算法。

特定的訪問挖掘是利用聚類演算法來生成網頁聚類。

首先該文利用模糊C均值聚類和可能*C均值聚類的優點，設計出一種混合C均值聚類演算法。

實驗表明，該演算法較之於已提出的半監督聚類演算法，獲得了更好的聚類*能。

CLAP演算法通過使用隨機抽樣技術，提高了聚類演算法的效率。

另一方面則利用了分級聚類演算法準確度高為確定初始聚類中心提供了可靠的方法。

提出一種基於聚類演算法的新聞視訊播音員鏡頭探測方法。

針對該問題，提出了一種基於概率密度的資料流聚類演算法。

提出了一種基於方向相似*度量的蟻群聚類演算法。

同時根據基元資訊的類特徵，採用了基於關聯函式的動態聚類演算法，解決了*等級分類問題。

該文在傳統單視角判別聚類演算法的基礎上，結合多視角學習的思想，提出了一種新的多視角判別聚類演算法(MVDC)。

最後使用層次聚類演算法在不同的粒度下逐層聚類，構造成層次樹形結構，實現了不同粒度下的專案分類。

一百零將超圖模型以及基於此的聚類演算法應用到社群結構發現的領域。

儘管分割不很精確，但是作為預處理手段，這種分割演算法在某些特殊情況下對其他聚類演算法有很大幫助。

聚類演算法的好壞直接影響聚類的效果。

其次，我們著重研究了文字聚類演算法。

為對多密度資料集聚類，提出一種基於密度可達的多密度聚類演算法。

在結合基於密度和基於網格的聚類演算法優點的基礎上，提出一種新的聚類演算法。

模糊聚類演算法試圖模擬人類區分模式和獲取知識的方式。

TCU SS演算法利用兩個概念列表中單詞間的語義相似度作為文件間相近程度的度量，並以圖為基礎進行聚類分析，避免有些聚類演算法對聚簇形狀的限制。

基本蟻群聚類演算法在計算相似度時，由於沒有考慮相鄰物件之間方向的影響，往往造成聚類速度緩慢甚至演算法不收斂。

應用模式識別中區域聚類法即最近鄰簡單試探法和K-均值聚類演算法來完成高雲、中雲、低雲和地表的區分。

提出了一種新的基於關聯規則的多層文件聚類演算法，該演算法利用新的文件特徵抽取方法構造了文件的主題和關鍵字特徵向量。

模糊聚類演算法是一種有效的聚類手段，介紹了最大樹模糊聚類演算法。

提出了一種基於蟻群聚類演算法和裁剪方法的RBF神經網路優化演算法。

該文通過對現有群體智慧理論和聚類演算法的研究，提出了一種基於群體智慧理論的聚類模型，並在此基礎上給出了一種優化蟻群聚類演算法。

提出了一種免疫聚類演算法，該演算法主要包括抗體產生、抗原識別和抗體優化等過程。

利用知網較完備的知識體系來構造概念詞典和概念層次結構，實現了一種以知網為背景知識的基於概念的中文文字聚類演算法。

此外，還基於IRIS資料集比較了該演算法與FKCN模糊自主聚類演算法。

該文提出了一個基於相似係數和檢測孤立點的聚類演算法，有效地解決了這個問題。

該文提出了一種基於K近鄰加權的混合C均值聚類演算法。

現有的聚類演算法可以分為:分割演算法，分層演算法，基於密度演算法，基於網格演算法，以及基於建模的演算法。