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：

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

简介：在量的大脑图象分析，从大脑的精确大脑织物分割磁性的回声图象(MRI)是关键步。是医药图象处理的地里的最重要、困难的问题被认为。先生图象的质量被部分卷效果，噪音，和紧张不同类影响，它使分割任务变为极其挑战性。我们在场为分割和大脑先生的偏爱地修正的一个新奇模糊c工具算法(RCLFCM)想象。我们采用一个新灰色差别的系数并且设计一个新影响因素测量邻居象素的效果，以便反噪音的坚韧性能被提高。而且，我们由增加偏爱域评价模型在图象克服紧张不同类并且同时分割大脑先生图象重新定义FCM(模糊c工具)的客观函数。我们也由把象素灰色值不同与它的会员相结合构造一个新空间函数，并且充分利用在象素之间的空格信息更新会员。与由与噪音和紧张不同类的不同层次在合成先生图象上使用类似精确性的另外的最先进的途径相比，建议算法与高精确性和坚韧性产生结果到噪音。

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：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：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：Withtheadventofthebigdataera,theamountsofsamplingdataandthedimensionsofdatafeaturesarerapidlygrowing.Itishighlydesiredtoenablefastandefficientclusteringofunlabeledsamplesbasedonfeaturesimilarities.Asafundamentalprimitivefordataclustering,thek-meansoperationisreceivingincreasinglymoreattentionstoday.Toachievehighperformancek-meanscomputationsonmodernmulti-core/many-coresystems,weproposeamatrix-basedfusedframeworkthatcanachievehighperformancebyconductingcomputationsonadistancematrixandatthesametimecanimprovethememoryreusethroughthefusionofthedistance-matrixcomputationandthenearestcentroidsreduction.Weimplementandoptimizetheparallelk-meansalgorithmontheSW26010many-coreprocessor,whichisthemajorhorsepowerofSunwayTaihuLight.Inparticular,wedesignataskmappingstrategyforload-balancedtaskdistribution,adatasharingschemetoreducethememoryfootprintandaregisterblockingstrategytoincreasethedatalocality.Optimizationtechniquessuchasinstructionreorderinganddoublebufferingarefurtherappliedtoimprovethesustainedperformance.Discussionsonblock-sizetuningandperformancemodelingarealsopresented.Weshowbyexperimentsonbothrandomlygeneratedandreal-worlddatasetsthatourparallelimplementationofk-meansonSW26010cansustainadouble-precisionperformanceofover348.1Gflops,whichis46.9%ofthepeakperformanceand84%ofthetheoreticalperformanceupperboundonasinglecoregroup,andcanachieveanearlyidealscalabilitytothewholeSW26010processoroffourcoregroups.Performancecomparisonswiththepreviousstate-of-the-artonbothCPUandGPUarealsoprovidedtoshowthesuperiorityofouroptimizedk-meanskernel.