简介：K-均值聚类算法（K-means）是基于划分的聚类算法中的典型算法，针对K-means算法初始聚类中心存在对K依赖的缺陷，提出一种新的选取K-means算法初始聚类中心的方法，该方法提高聚类结果的有效性和稳定性；还提出一种极值选择法，将最大距离法和最小距离法相结合，进一步提高初始聚类中心选择的准确性。

简介：摘要本文浅谈了数字图像处理的发展概况、研究背景并对彩色图像K-means算法进行分析.主要详细谈论了是对K-means算法的一些认识，并且介绍K-means聚类的算法思想、工作原理、聚类算法流程、以及对算法结果进行分析，得出其特点及实际使用情况。

简介：借助K-means聚类算法等数据挖掘技术,从我国博士研究生招生实际状况入手,从博士招生的结构质量、生源质量和选拔质量等角度分析研究生招生质量,提出科学合理的优化选拔方式、提升生源质量的博士生招生方案,对博士研究生招生单位具有良好的借鉴意义。

简介：提出一种基于均值聚类的车牌定位算法,该算法能避免由于环境的复杂而带来的定位的不确定性。

简介：基于改进选取初始聚类中心的K-means算法,因为在该算法中是随机地选取任意K个点作为初始聚类中心,初始聚类中心的选取方法很多

简介：摘要：在桩基施工完成进入验收阶段时，一般要求任一相邻两桩基必须满足刚性角相关要求，即相邻两桩，任一桩基桩底将荷载按应力扩散角扩散时，其应力不应传递到邻近桩身的原则，此应力扩散角一般为45度。对于某些占地面积较大的大型建构筑物，其地基工程往往存在成百上千个桩基，若对大量的桩基的刚性角复核及相关调整采用人工复核的方式，费时费力，效率低下。以绵阳3011d零部件试验厂房施工项目的桩基为例，基于现代成熟的矩阵运算工具Matlab中K-Means聚类算法可对桩基一次性批量进行刚性角复核，节省了大量运算时间，提高了工作效率。

简介：在现代战争中随着新体制雷达的不断涌现,电磁环境变得越来越复杂,这就对雷达信号分选提出了新的挑战。目前普遍采用的基于直方图统计的信号分选方法越来越不适应现代雷达信号环境。文中将聚类分析技术引入到雷达信号分选中,将蚁群算法和K-Means相结合,互相弥补不足,提出了一种新的雷达信号分选方法,该方法易编程实现,不需要雷达信号的先验知识,适用于处理未知信号的雷达。仿真实验证明分选结果较理想,为雷达信号分选提供了新的思路。

简介：针对传统聚类算法无法有效处理高维混合属性数据集的问题,对原有的数据归一化方法进行改进。在kmeans和DBSCAN聚类算法的基础之上,结合增量聚类的思想和数据之间相异度的计算方法,提出了一种基于密度的增量k-means聚类算法。该算法能有效处理具有高维混合属性的数据集,在准确度和效率方面都得到提高。

简介：本文应用改进的模糊神经网络预测市场清算电价,11-17日的电价预测误差和准确率,本文应用的模糊神经网络为一个四层网络

简介：本文通过将模式识别中的K近邻算法和K-均值算法融合在一起,将其运用到入侵检测领域中,使它能够适应入侵检测的需要,通过实验分析表明,在运用结合之后的算法后,系统不仅能够保证实时性,并且具有了一定的未知入侵检测能力。

简介：针对无线传感器节点能耗不均的问题,研究了一种多特征组合加权的K一means聚类算法.改进了传统K一means算法中聚类中心随机选择的问题,并针对各维度特征对聚类影响的不同,赋予不同特征不同的权值.采用新的算法,并为其构建对应的算法性能衡量指标,与已有算法相比,新算法效果较好,能够明显提高数据聚类效果.

简介：针对K-means算法在数据聚类过程中初始值选取的随机性问题,基于非均匀采样原则对该算法进行改进。同时,针对聚类算法并行化的需求,基于Spark平台对改进算法进行了并行化实现。单机串行处理和集群并行化实验证明了该改进算法在处理海量数据集时具有更高的准确性和稳定性,且在Spark平台上的并行化实现具有良好的加速比和可扩展性,从而表明该算法能在实际的海量数据处理中高效运行。

简介：提出了基于K-means聚类和SPIHT编码的红外图像压缩算法。通过采用小波域系数的SPIHT编码压缩，克服了JPEG标准压缩算法在低比特率下严重的方块效应；通过K-means聚类算法，克服了嵌入式零树编码算法（EZW）没有充分考虑到图像小波系数同一子带中相邻元素之间相关性的缺陷。实验结果表明，此算法对红外图像具有很好的边缘和纹理保持性能。

简介：摘要：随着水利工程大力兴建，所遇工程问题越来越多，边坡变形及稳定性问题出现的概率也越来越大。依据边坡变形海量资料，应用K-Means聚类法，进行边坡变形时空演化规律研究，建立了基于位移和位移速率两指标控制的边坡变形时空演化特征，很好地揭示了边坡变形动态区域和演化特征，可为类似边坡变形提供参考和借鉴。

简介：摘要：本文旨在通过k-means文本聚类了解国内大数据岗位需求特点，帮助企业和员工识别大数据人才，推动大数据相关研究的进一步发展。首先利用爬虫软件对招聘网“大数据”的招聘信息进行爬取招聘网站。然后利用解霸分词和K-means文本聚类对大数据招聘岗位进行聚类，聚类数由组内平均平方和确定。最后，将大数据岗位划分为10类，从整体数据集和聚类结果的角度对大数据岗位的城市分布、薪资水平、学历要求、经验要求等进行讨论和分析，明确大数据岗位的特点。大数据工作需求。分析结果表明，大数据的工作需求主要分布在一线城市和新一线城市。企业更倾向于大专或本科学历及一年以上相关工作经验的求职者。不同类型的工作之间存在工资差异。职位越高，对学历和经验的要求就越高。

简介：基于化学识别的蚁群聚类算法无需给定聚类数目就能自动实现数据集的聚集,但大量采用随机策略使得蚂蚁达到平衡的运行时间长,效率不高。为此提出了一种用K-means算法做初次聚类、蚁群聚类算法再次聚类的新算法,结果表明该算法具有较高的正确率。最后将该算法应用于系统应用协同中,得到了较好的分析结果。

简介：BasedontheJointTyphoonWarningCenter(JTWC)best-trackdatasetbetween1965and2009andthecharacteristicparametersincludingtropicalcyclone(TC)position,intensity,pathlengthanddirection,amethodforobjectiveclassificationoftheNorthwesternPacifictropicalcyclonetracksisestablishedbyusingk-meansClustering.TheTClifespan,energy,activeseasonandlandfallprobabilityofsevenclustersoftropicalcyclonetracksarecomparativelyanalyzed.Thecharacteristicsoftheseparametersarequitedifferentamongdifferenttropicalcyclonetrackclusters.Fromthetrendofthepasttwodecades,thefrequencyofthewesternrecurvingcluster(accountingfor21.3%ofthetotal)increased,andthelifespanelongatedslightly,whichdiffersfromtheotherclusters.TheannualvariationofthePowerDissipationIndex(PDI)ofmostclustersmainlydependedontheTCintensityandfrequency.However,theannualvariationofthePDIinthenorthwesternmovingthenrecurvingclusterandthepelagicwest-northwestmovingclustermainlydependedonthefrequency.

简介：

简介：摘 要: 文章针对高职专任教师考核评价存在的只重结果不重视过程的问题，提出了高职院校专任教师过程性发展考核评价，采用二分K-means聚类算法将教师过程性发展考核评价指标进行新的聚类分析，聚类出指标从教师基本岗位职责、教师教育教学能力、学习发展能力、科研技能水平、合作发展能力、个性发展水平六个方面对教师进行过程性发展考核评价。最后得到学校认可、教师自身科学合理的考核评价指标体系，对高职专任教师的发展具有积极作用。

简介：逐步聚类分析就是先把被聚对象进行初始分类,同时以儿童生长发育时期的数据为例通过聚类分析的软件和改进的K－means算法来进一步阐述聚类分析在数据挖掘中的实践应用,现在的研究工作主要集中在为大型的数据库有效聚类分析寻找适当的方法、聚类算法对复杂分布数据和类别性数据聚类的有效性以及高维数据聚类技术等方面