means算法
- 一種基于GDK-means的高校貧困生信息隱私保護(hù)方法研究
DK-means算法，在保證數(shù)據(jù)可用性的前提下，可實(shí)現(xiàn)數(shù)據(jù)發(fā)布中較好的隱私保護(hù)性。關(guān)鍵詞：貧困生資助；分布式聚類；隱私保護(hù)；K-means算法中圖分類號(hào)：TP311.13；G647? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）11-0030-04Research on a College Information Privacy-Protection Method for Poor StudentsBased on GDK-meansLIU
現(xiàn)代信息科技 2023年11期2023-08-01
- 基于YOLOv5算法的足球訓(xùn)練識(shí)別系統(tǒng)
過K-means算法進(jìn)行二次算法模型分析，對(duì)圖像聚類分析改進(jìn)算法對(duì)圖像特征。在算法訓(xùn)練結(jié)束后，文章對(duì)此目標(biāo)檢測(cè)算法模型進(jìn)行測(cè)試，測(cè)試結(jié)果表明：聚類分析后的目標(biāo)算法模型對(duì)足球漏檢的情況顯著變少，而且對(duì)足球的實(shí)時(shí)檢測(cè)效果表現(xiàn)良好，提升了算法識(shí)別速度和識(shí)別準(zhǔn)確度；其mAP平均精度達(dá)到了98.6%，與原改進(jìn)前提升了1%。關(guān)鍵詞：足球識(shí)別；YOLOv5算法；K-means算法；目標(biāo)識(shí)別算法中圖分類號(hào)：TP391.41? 文獻(xiàn)標(biāo)志碼：A0 引言隨著人們生活質(zhì)量的日漸提
無線互聯(lián)科技 2023年8期2023-06-26
- 對(duì)K-means聚類算法初始值的研究
的K-means算法中隨機(jī)選取初始值改進(jìn)，對(duì)樣本值增加進(jìn)行預(yù)處理，首先對(duì)樣本值多次取數(shù)，對(duì)采樣數(shù)據(jù)集進(jìn)行初次K-means運(yùn)算后獲得聚類結(jié)果，從聚類結(jié)果中取距離最大的[k]個(gè)聚類中心作為初始值。通過Iris數(shù)據(jù)集對(duì)改進(jìn)算法進(jìn)行驗(yàn)證，聚類效果有較好的提高。關(guān)鍵詞：聚類分析;K-means算法;初始值優(yōu)化中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）11-0095-03隨著人工智能的發(fā)展，海量數(shù)據(jù)的涌現(xiàn)，如何從大量樣本
電腦知識(shí)與技術(shù) 2022年11期2022-05-31
- 基于K-means聚類的居民用電行為分析
，K-means算法在對(duì)居民用電負(fù)荷曲線聚類時(shí)具有較高的準(zhǔn)確度，電網(wǎng)企業(yè)能夠據(jù)此分析居民用電行為，提供用電個(gè)性化服務(wù)。關(guān)鍵詞：K-means算法;用電行為分析;智能用電中圖分類號(hào)：TP18? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）07-0026-031 概述隨著智能電表的普及，儀器中產(chǎn)生和傳輸?shù)臄?shù)據(jù)正以指數(shù)增長(zhǎng)，在當(dāng)今智能互聯(lián)網(wǎng)背景下，使用人工智能技術(shù)挖掘這些海量數(shù)據(jù)，分析其中隱藏的用戶用電行為，有利于電網(wǎng)企業(yè)根據(jù)分析結(jié)果精確地為不
電腦知識(shí)與技術(shù) 2022年7期2022-05-09
- 基于機(jī)器學(xué)習(xí)的白洋淀生態(tài)數(shù)據(jù)的異常檢測(cè)
；K-means算法；DBSCAN算法中圖分類號(hào)：TP181? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）35-0007-031 概述白洋淀是華北地區(qū)最大的濕地生態(tài)系統(tǒng)被稱為“華北之腎”，多年來由于上游生活污水和工業(yè)污水的排放、機(jī)械船只增多等因素，白洋淀水質(zhì)不斷惡化。自2017年4月1日起，白洋淀生態(tài)環(huán)境治理和保護(hù)攻堅(jiān)戰(zhàn)打響。修復(fù)白洋淀生態(tài)的關(guān)鍵在于水域環(huán)境，改善水域內(nèi)水體環(huán)境才能保障和恢復(fù)生物的多樣性。白洋淀的生態(tài)數(shù)據(jù)通過物聯(lián)網(wǎng)傳
電腦知識(shí)與技術(shù) 2022年35期2022-02-17
- 改進(jìn)PSO-K-means算法在汽車行駛工況估計(jì)中的應(yīng)用
-K-means算法構(gòu)建車輛行駛工況，并從10個(gè)主要特征參數(shù)角度與實(shí)際工況進(jìn)行對(duì)比，結(jié)果表明所構(gòu)建工況能夠準(zhǔn)確反映車輛在實(shí)際道路上的行駛特征，說明使用改進(jìn)PSO-K-means算法構(gòu)建輕型車行駛工況的合理性和有效性。關(guān)鍵詞： PCA分析; 數(shù)據(jù)清洗; 改進(jìn)PSO-K-means算法; 行駛工況文章編號(hào)： 2095-2163（2021）07-0080-07中圖分類號(hào)：TP391文獻(xiàn)標(biāo)志碼： AApplication of improved PSO-K-mea
智能計(jì)算機(jī)與應(yīng)用 2021年7期2021-12-07
- K-means算法及其應(yīng)用實(shí)踐
。K-means算法是被廣泛應(yīng)用的一種聚類算法，K-means算法的關(guān)鍵是選擇合適的k值，文章通過鳶尾花聚類展示K-means算法應(yīng)用。關(guān)鍵詞：K-means算法;聚類;無監(jiān)督學(xué)習(xí);機(jī)器學(xué)習(xí)一、何為聚類聚類（Clustering）是一種典型的“無監(jiān)督學(xué)習(xí)”。聚類算法是對(duì)大量未知標(biāo)記的數(shù)據(jù)集，根據(jù)數(shù)據(jù)之間的距離或者說是相似性（親疏性）將數(shù)據(jù)集劃分為多個(gè)簇（Cluster），使簇內(nèi)的數(shù)據(jù)相似度盡可能大，而簇間的數(shù)據(jù)相似度盡可能小。聚類的目的是把數(shù)據(jù)分類，但是事
科學(xué)與生活 2021年23期2021-12-06
- 基于校園卡消費(fèi)數(shù)據(jù)的學(xué)生消費(fèi)水平判別模型建立
;K-means算法;消費(fèi)水平;判別模型
計(jì)算技術(shù)與自動(dòng)化 2021年2期2021-11-10
- 多點(diǎn)種子預(yù)劃分的二階段社區(qū)發(fā)現(xiàn)算法
用K-means算法將高影響力節(jié)點(diǎn)加以聚合，得到高影響力社區(qū)簇。然后提出一種吸引力度量函數(shù)，選擇性的將網(wǎng)絡(luò)中的剩余節(jié)點(diǎn)合并到社區(qū)簇以完成社區(qū)識(shí)別任務(wù)。實(shí)驗(yàn)結(jié)果表明，二階段社區(qū)發(fā)現(xiàn)方法能夠發(fā)現(xiàn)尺寸較大，個(gè)數(shù)較少的社區(qū)結(jié)構(gòu)，進(jìn)而在中觀層面捕捉群組之間的關(guān)聯(lián)性。關(guān)鍵詞：復(fù)雜網(wǎng)絡(luò);局部社區(qū)發(fā)現(xiàn);種子擴(kuò)張;節(jié)點(diǎn)影響力;K-means算法DOI：10.15938/j.jhust.2021.04.011中圖分類號(hào)：TP391.4文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1007-2683
哈爾濱理工大學(xué)學(xué)報(bào) 2021年4期2021-10-07
- 基于眾包配送模式的超市訂單分配與路徑規(guī)劃研究
的K-means算法進(jìn)行聚類，再將聚類完成的訂單用蟻群算法進(jìn)行路徑優(yōu)化。最后驗(yàn)證了所使用的方法在解決超市訂單分配和路徑優(yōu)化問題方面的可行性和有效性。關(guān)鍵詞：眾包配送;車輛路徑優(yōu)化;K-means算法;蟻群算法中圖分類號(hào)：F252.14? ? 文獻(xiàn)標(biāo)識(shí)碼：AAbstract： With the rapid development of internet， O2O business model has become a trend. As a terminal
物流科技 2021年7期2021-09-18
- 基于K-means算法的企業(yè)信用無監(jiān)督分類研究
于K-means算法的企業(yè)信用無監(jiān)督分類方法，通過對(duì)企業(yè)信息進(jìn)行大數(shù)據(jù)分析，提取企業(yè)信用相關(guān)的內(nèi)容，再使用K-means算法對(duì)企業(yè)數(shù)據(jù)進(jìn)行聚類，對(duì)目標(biāo)企業(yè)根據(jù)其聚類所在簇來評(píng)估信用等級(jí)，以此對(duì)企業(yè)的信用進(jìn)行分類。關(guān)鍵詞：企業(yè)信用;信貸風(fēng)險(xiǎn);K-means算法;分類;特征選擇Abstract： The application of corporate credit classification can reduce the risk of credit bu
電腦知識(shí)與技術(shù) 2021年22期2021-09-14
- 基于企業(yè)應(yīng)用的K-means算法的實(shí)現(xiàn)與改進(jìn)
;K-means算法中圖分類號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2021）18-0029-03開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：當(dāng)今關(guān)于大數(shù)據(jù)、云的研究愈發(fā)深入，可是如何用好這些數(shù)據(jù)，發(fā)現(xiàn)這些數(shù)據(jù)背后隱藏的信息卻成為更具實(shí)際價(jià)值的工作，這也就是數(shù)據(jù)挖掘的概念。數(shù)據(jù)挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中，提取隱藏其中人們事先不知道的、但又是潛在有用的信息和知識(shí)的過程。其與數(shù)據(jù)分析最大的區(qū)別在于未知性
電腦知識(shí)與技術(shù) 2021年18期2021-08-18
- 基于機(jī)器視覺的智慧城市路面裂縫檢測(cè)關(guān)鍵技術(shù)研究
，K-means算法，路面裂縫參數(shù)計(jì)算。本文重點(diǎn)闡述了基于機(jī)器視覺的智慧城市路面裂縫檢測(cè)關(guān)鍵技術(shù)研究。關(guān)鍵詞：路面裂縫檢測(cè);圖像灰度化;迭代閾值分割;K-means算法中圖分類號(hào)：TP391;U41? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2021）11-0174-02Crack Detection of Smart City Pavement Based on Machine Vision Research on Key Technologie
電腦知識(shí)與技術(shù) 2021年11期2021-05-23
- 基于改進(jìn)YOLOv4算法的鋁材表面缺陷識(shí)別方法研究
;K-means算法中圖分類號(hào)：TP391.4? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-4706（2021）23-0096-05Research on Aluminum Surface Defect Identification Methods Based on Improved YOLOv4 AlgorithmLUAN Minghui， LI Songsong， LI Chen， WANG Yuheng， GUO Zhongyu（Sch
現(xiàn)代信息科技 2021年23期2021-05-07
- 融合了K近鄰與密度峰值算法的K-means算法
- means算法。為了攻克以上問題，改進(jìn)算法采用峰值法以及融合了K近鄰算法的密度峰值算法逐一調(diào)整。通過在UCI數(shù)據(jù)集上測(cè)試及與原始K - means算法、最大最小距離距離算法在準(zhǔn)確率、穩(wěn)定性和處理數(shù)據(jù)速率方面的比較，其中最為突出的是，改進(jìn)算法的準(zhǔn)確率達(dá)到了96%以上。關(guān)鍵詞：K-means算法;PCA降維;峰值法;KDPC算法中圖分類號(hào)：TP301.6? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2021）08-0182-03Abstract
電腦知識(shí)與技術(shù) 2021年8期2021-04-22
- K-means聚類算法研究現(xiàn)狀
K-means算法是聚類算法中基于劃分的一種典型算法，是數(shù)據(jù)挖掘的一種常用的數(shù)據(jù)挖掘方法。該聚類算法容易實(shí)現(xiàn)，應(yīng)用廣泛。但是也有一定的缺點(diǎn)，就是均值不好把握，K的取值很難確定，數(shù)據(jù)集比較難收斂，隱含類別的數(shù)據(jù)不平衡等，因此該算法有很多變體，從而很多人對(duì)其進(jìn)行各種改進(jìn)優(yōu)化。對(duì)此，本文從多個(gè)方面闡述K-means算法的改進(jìn)優(yōu)化方法，并進(jìn)行概括其優(yōu)缺點(diǎn)，分析問題。從而對(duì)該方法的發(fā)展進(jìn)行展望。關(guān)鍵詞： K-means算法;數(shù)據(jù)挖掘;變體;改進(jìn)優(yōu)化方法1 前言 隨
成功營(yíng)銷 2021年10期2021-03-23
- 基于K-means算法實(shí)現(xiàn)電商企業(yè)ERP系統(tǒng)的大客戶跟蹤分析
;K-means算法中圖分類號(hào)：TP18;TP391 ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-4706（2021）13-0173-03To Achieve Key Customer Tracking Analysis of E-commerce Enterprise ERP System Based on K-means AlgorithmDAI Yuanquan（School of Information Engineering， Hubei Li
現(xiàn)代信息科技 2021年13期2021-02-19
- 基于K-means算法的Co-trainning的研究
。K-means算法是一種聚類算法，在對(duì)K-means算法研究和實(shí)現(xiàn)時(shí)，設(shè)計(jì)并實(shí)驗(yàn)將K-means算法思想運(yùn)用到Co-trainning算法特征集選取上，效果較好。關(guān)鍵詞：K-means算法;Co-trainning算法中圖分類號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）32-0216-021 引言早在1998年，Blum于“Combining labeled and unlabeled data with co-tra
電腦知識(shí)與技術(shù) 2020年32期2020-12-29
- 結(jié)合Harris和改進(jìn)K-means的遙感圖像配準(zhǔn)算法
進(jìn)K-means算法進(jìn)行區(qū)域劃分，進(jìn)行特征點(diǎn)匹配;最后，區(qū)域間利用RANSAC方法剔除錯(cuò)誤匹配點(diǎn)，得到精確匹配點(diǎn)對(duì)。該算法減少了特征點(diǎn)數(shù)目，提高配準(zhǔn)精確度。實(shí)驗(yàn)結(jié)果表明了算法的有效性。關(guān)鍵詞：Harris;圖像配準(zhǔn);K-means算法;隨機(jī)抽樣一致（RANSAC）中圖分類號(hào)：TP751? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? 文章編號(hào)：1007-9416（2020）10-0000-00現(xiàn)今，隨著社會(huì)需求不斷增加，人們已經(jīng)不再滿足從單一圖像中獲取信息，多幅圖像的疊加融
數(shù)字技術(shù)與應(yīng)用 2020年10期2020-12-09
- 基于改進(jìn)k-means算法的獼猴桃葉部病斑分割方法
經(jīng)k-means算法RGB（Red Green Blue） 顏色分量高度線性相關(guān)以及歐氏距離的尺度相關(guān)性對(duì)圖像分割結(jié)果產(chǎn)生的影響，并克服RGB空間色彩分布不勻的缺陷，提出了一種基于Lab顏色空間的改進(jìn) k-means的獼猴桃葉部病害圖像分割方法。首先改變顏色空間，將RGB轉(zhuǎn)換為L(zhǎng)ab空間，由 L、a、b3分量組合表示每個(gè)像素點(diǎn)。其次，將馬氏距離代替歐氏距離進(jìn)行改進(jìn)，用改進(jìn)后的k-means算法對(duì)圖像進(jìn)行聚類。利用該方法對(duì)三種獼猴桃病害圖像進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果
電腦知識(shí)與技術(shù) 2020年25期2020-11-02
- 基于目標(biāo)檢測(cè)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別
用K-means算法對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行聚類分析，確定適合LISA數(shù)據(jù)集的先驗(yàn)框大小，實(shí)驗(yàn)結(jié)果表明改進(jìn)后的框架對(duì)比原始的yolov4框架和YOLOv3框架，其mAP值分別提高了0.37%和1.04%，說明改進(jìn)后的YOLOv4框架在交通標(biāo)志識(shí)別方面具有較高的實(shí)用價(jià)值。關(guān)鍵詞：目標(biāo)檢測(cè);交通標(biāo)志識(shí)別;K-means算法;LISA數(shù)據(jù)集中圖分類號(hào)：TP311.5 ? ? 文獻(xiàn)標(biāo)識(shí)碼：ATraffic Sign Recognition based on Target D
軟件工程 2020年10期2020-10-23
- 基于無線紅外熱成像儀的變電設(shè)備識(shí)別和檢測(cè)
k-means算法中圖分類號(hào)： TP 399 ? ? ?文獻(xiàn)標(biāo)志碼： AAbstract： The analysis of the massive infrared images collected by the wireless infrared thermal imager requires a lot of time and effort， and the diagnostic results are not correct. In order t
微型電腦應(yīng)用 2020年9期2020-10-13
- 基于K-Means和Logistic的壽險(xiǎn)客戶流失預(yù)測(cè)模型研究
張馨予 門玉杰 孫曉紅摘 要：為了幫助壽險(xiǎn)行業(yè)從海量業(yè)務(wù)交易中提取有效客戶信息并進(jìn)行客戶保留，本文首先用K-Means算法進(jìn)行壽險(xiǎn)客戶的價(jià)值細(xì)分，初步判斷哪類客戶最有可能流失，并針對(duì)不同價(jià)值群體的客戶給予公司不同的建議;其次對(duì)細(xì)分后的客戶群體建立Logistic二分類回歸預(yù)測(cè)模型，比較與細(xì)分前的預(yù)測(cè)精度差異。實(shí)驗(yàn)結(jié)果中，細(xì)分后客戶群對(duì)應(yīng)Logistic模型的準(zhǔn)確率、召回率和F1值較細(xì)分前均有提升，這說明客戶細(xì)分能為其流失預(yù)測(cè)提供有價(jià)值的信息，有助于壽險(xiǎn)
中國(guó)商論 2020年17期2020-09-24
- 一種優(yōu)化初始聚類中心的自適應(yīng)聚類算法
的X-means算法，采用貝葉斯信息準(zhǔn)則（BIC）計(jì)算得分，利用K-Means算法二分相應(yīng)的簇，以此確定最優(yōu)類簇個(gè)數(shù);文獻(xiàn)[14]利用期望最大化算法理論，提出似然函數(shù)的碎石圖方法，對(duì)于不規(guī)則數(shù)據(jù)集的聚類結(jié)果比利用BIC方法更加可靠;文獻(xiàn)[15]利用最小方差與密度之間的關(guān)系，提出一種利用最小方差優(yōu)化初始聚類中心的方法，該方法在方差計(jì)算與比較上時(shí)間復(fù)雜度過高，且對(duì)于存在孤立點(diǎn)的數(shù)據(jù)不能獲得較好的聚類結(jié)果;文獻(xiàn)[16]采用最大最小距離方法，通過兩階段搜索獲取最佳
軟件導(dǎo)刊 2020年7期2020-07-26
- 最小局部方差優(yōu)化初始聚類中心的K-means算法
統(tǒng)K-means算法隨機(jī)選取初始聚類中心導(dǎo)致聚類結(jié)果隨機(jī)性大、優(yōu)劣不定的缺點(diǎn)，通過定義局部方差，利用方差反映數(shù)據(jù)密集程度的特性，提出一種基于最小局部方差優(yōu)化初始聚類中心的K-means算法。該算法選取數(shù)據(jù)集中局部方差最小的點(diǎn)作為一個(gè)初始聚類中心，并利用數(shù)據(jù)信息更新數(shù)據(jù)集，直到選到k個(gè)初始聚類中心，實(shí)現(xiàn)初始聚類中心優(yōu)化。基于UCI數(shù)據(jù)集與人工數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，與傳統(tǒng)K-means算法及最小方差優(yōu)化初始聚類中心的K-means算法進(jìn)行性能比較。實(shí)驗(yàn)結(jié)果表明，基于
軟件導(dǎo)刊 2020年6期2020-07-24
- 基于K-means的政府公文聚類方法
用K-means算法對(duì)公文進(jìn)行分類。首先對(duì)政府公文進(jìn)行分詞及去停用詞等數(shù)據(jù)預(yù)處理操作，再通過詞頻一逆文檔頻率（TF-IDF）權(quán)值計(jì)算方法，將處理后的政府文本信息轉(zhuǎn)換成二維矩陣，然后采用K-means算法進(jìn)行聚類。使用清華大學(xué)THUCTC文本分類系統(tǒng)對(duì)公文聚類結(jié)果進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果表明，采用K-means算法對(duì)公文進(jìn)行聚類，準(zhǔn)確率達(dá)到82.93%，遠(yuǎn)高于政府網(wǎng)站公文分類準(zhǔn)確率。關(guān)鍵詞：文本聚類;詞頻一逆文檔頻率;K-means算法DOI：10.11907/r
軟件導(dǎo)刊 2020年6期2020-07-24
- 基于K-均值算法的開放教育入學(xué)水平測(cè)試成績(jī)分析
;K-means算法;成績(jī)分析中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)識(shí)碼：A
電腦知識(shí)與技術(shù) 2020年11期2020-07-22
- 基于改進(jìn)K-Means算法的圖書館讀者閱讀需求實(shí)證研究
權(quán)K-means算法[J].計(jì)算機(jī)應(yīng)用研究，2018，35（2）：466-470.周本金，陶以政，紀(jì)斌，等.最小化誤差平方和K-Means初始聚類中心優(yōu)化方法[J].計(jì)算機(jī)工程與應(yīng)用，2018，54（15）：48-52.何云斌，劉雪嬌，王知強(qiáng)，等.基于全局中心的高密度不唯一的K-means算法研究[J].計(jì)算機(jī)工程與應(yīng)用，2016，52（1）：48-54.蔣麗，薛善良.優(yōu)化初始聚類中心及確定K值的K-means算法[J].計(jì)算機(jī)與數(shù)字工程， 2018，46
新世紀(jì)圖書館 2020年5期2020-07-14
- 數(shù)據(jù)挖掘中三種典型聚類算法的分析比較
—K-means算法、AGNES算法、DBSCAN算法，進(jìn)行可視化聚類結(jié)果和FMI值比較分析，歸納出DBSCAN算法可以發(fā)現(xiàn)任意形狀的簇類，AGNES算法和K-Means算法在中小型數(shù)據(jù)集中挖掘得到球形簇的效果較好。關(guān)鍵詞：聚類;K-means算法;AGNES算法;DBSCAN算法中圖分類號(hào)：TP301 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）15-0052-051引言聚類是通過發(fā)現(xiàn)數(shù)據(jù)集中數(shù)據(jù)之間的相關(guān)關(guān)系，將數(shù)據(jù)分類到不同的類或簇的過程。
電腦知識(shí)與技術(shù) 2020年15期2020-07-04
- 基于機(jī)器學(xué)習(xí)的航空客戶價(jià)值分析
1）Kmeans算法先要假設(shè)將數(shù)據(jù)分成多少類，我認(rèn)為航空客戶群體可以分為5類。2）隨機(jī)選取k個(gè)目標(biāo)點(diǎn)，它們作為聚類中心3）計(jì)算數(shù)據(jù)集中每個(gè)點(diǎn)到K個(gè)聚類中心的距離，然后將它們分配到距離它們最近的聚類中心，這樣就能形成5個(gè)簇。4）因?yàn)楸景咐臄?shù)據(jù)量比較大，所以以上步驟得到簇是比較散的，而我們要的結(jié)果是要相似的越接近，不相似的越遠(yuǎn)，所以算法會(huì)重復(fù)上面的步驟，直到得到合適的客戶群?？傮w來說，K-Means算法的結(jié)果符合我的預(yù)期想法，我們可以從下圖中詳細(xì)地看出各類人
電腦知識(shí)與技術(shù) 2020年14期2020-07-04
- 基于k-means算法實(shí)現(xiàn)商品的聚類研究
;k-means算法;Python中圖分類號(hào)：TP311.13? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1007-9416（2020）04-0000-000引言如今網(wǎng)站的快速發(fā)展，人們的生活和工作都離不開網(wǎng)絡(luò)。人們的生活節(jié)奏也在逐漸加快，工作越來越忙了。網(wǎng)購網(wǎng)站吸納了眾多的群眾的參與，積累了大量的用戶資源。而且我國(guó)廣大的女性群體為網(wǎng)購網(wǎng)站提供了良好的用戶基礎(chǔ)[1]。一個(gè)好的網(wǎng)購網(wǎng)站可以帶運(yùn)輸?shù)榷喾N產(chǎn)業(yè)的發(fā)展，但是目前的網(wǎng)購網(wǎng)站對(duì)用戶的數(shù)據(jù)處理有時(shí)候不夠
數(shù)字技術(shù)與應(yīng)用 2020年4期2020-06-22
- Faster RCNN的交通場(chǎng)景下行人檢測(cè)方法
;K-means算法;區(qū)域建議網(wǎng)絡(luò)DOI： 10. 11907/rjdk.192692開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：中圖分類號(hào)：TP306文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（ 2020）004-0067-04Pedestrian Detection Method in Traffic Scene Based on Faster RCNNXU Xiang-qian， SUN Tao（kSchool of Mech.an ical Engi，
軟件導(dǎo)刊 2020年4期2020-06-19
- K均值優(yōu)化算法綜述
k-means算法源于信號(hào)處理中的一種向量量化方法，現(xiàn)在則更多地作為一種聚類分析方法流行于數(shù)據(jù)挖掘領(lǐng)域。在數(shù)據(jù)挖掘技術(shù)中常常使用聚類方法，而k-means算法作為最典型、最常見、實(shí)用度最廣的一種聚類算法，具有簡(jiǎn)單易操作等優(yōu)點(diǎn)。但此算法需要人工設(shè)定聚類中心的數(shù)量，初始聚類中心，容易陷入局部最優(yōu)，使得算法的時(shí)間復(fù)雜度變得較大，得到的聚類結(jié)果易受到k值與設(shè)定的初始聚類中心的影響，針對(duì)這些問題，本文介紹了k-means算法的改進(jìn)方法，分析其優(yōu)缺點(diǎn)并提出了優(yōu)化算法
軟件 2020年2期2020-06-09
- 引入全局算法的小批量K-Means
;K-means算法;小批量[中圖分類號(hào)]TP301.6?[文獻(xiàn)標(biāo)志碼]AMini?Batch?K-Means?with?Global?AlgorithmWANG?Ying，WU?Guanmao（Department?of?Computer?Science?and?Engineering，Anhui?University?of?Scienceand?Technology，Huainan??232001，China）Abstract：A?small?batc
- 基于Word2Vec模型和K-Means算法的信息技術(shù)文檔聚類研究?
與K-means算法融合的文本聚類研究[J].情報(bào)理論與實(shí)踐，2017（11）：135-138.[3]周練.Word2vec的工作原理及應(yīng)用探究[J].圖書情報(bào)導(dǎo)刊，2015（02）：145-148.[4]Chandrashekar G，Sahin F. A survey on feature selection methods[J].Computers & Electrical Engineering，2014（01）：16-28.[5]Salton G
中國(guó)信息技術(shù)教育 2020年8期2020-04-27
- 機(jī)器學(xué)習(xí)的分類、聚類研究
;k-means算法中圖分類號(hào)：TP181文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）04-0161-02收稿日期：2019-10-151 概述大數(shù)據(jù)時(shí)代的來臨使得數(shù)據(jù)量迅速膨脹，也為機(jī)器學(xué)習(xí)提供了更廣闊的舞臺(tái)。本文將對(duì)機(jī)器學(xué)習(xí)中分類和聚類及其常見算法進(jìn)行論述。相信機(jī)器學(xué)習(xí)未來必將大放異彩。2 機(jī)器學(xué)習(xí)2.1 機(jī)器學(xué)習(xí)的定義，相較于依托專業(yè)公式進(jìn)行純粹計(jì)算，機(jī)器學(xué)習(xí)通過模仿人類學(xué)習(xí)的過程，使計(jì)算機(jī)通過算法分析數(shù)據(jù)、從中學(xué)習(xí)、生成并優(yōu)化模型，以此得
電腦知識(shí)與技術(shù) 2020年4期2020-04-14
- 基于局部熵的點(diǎn)云精簡(jiǎn)算法
K?means算法; 特征區(qū)域區(qū)分; 點(diǎn)云數(shù)據(jù); 曲率估計(jì)中圖分類號(hào)： TN911?34; TP391.9 ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）01?0020?04A point cloud reduction algorithm based on local entropyDONG Jiamin， TIAN HuaAbstract： A point clo
現(xiàn)代電子技術(shù) 2020年1期2020-03-03
- 基于改進(jìn)K-Means聚類算法的互聯(lián)網(wǎng)涉煙違法犯罪區(qū)域劃分研究
典K-means算法。1.4? ?最優(yōu)k值的確定k值的設(shè)定直接決定了K-Means算法的聚類簇個(gè)數(shù)，如果設(shè)置不當(dāng)將直接影響聚類結(jié)果。以圖1樣本數(shù)據(jù)集為例，將k值分別設(shè)置為2和4時(shí)，聚類結(jié)果如圖2和圖3所示。由圖2和圖3可以得知，若k值設(shè)置不當(dāng)，聚類結(jié)果明顯不符常理。其實(shí)很多情況下，對(duì)數(shù)據(jù)集進(jìn)行簇劃分本身并沒有絕對(duì)清晰和正確的結(jié)論，這取決于人們對(duì)數(shù)據(jù)集本身意義的個(gè)體認(rèn)知。因此，研究能夠自動(dòng)求解正確k值的算法是非常困難的，只能從多個(gè)角度對(duì)k取值進(jìn)行評(píng)估。本文采
中國(guó)管理信息化 2019年22期2019-12-16
- 基于K—means算法對(duì)軌道結(jié)構(gòu)狀態(tài)變化的評(píng)估研究
于K-means算法對(duì)檢測(cè)數(shù)據(jù)進(jìn)行聚類挖掘?qū)﹁F路軌道質(zhì)量進(jìn)行預(yù)測(cè)和評(píng)判，為線路日常維修提供依據(jù)。關(guān)鍵詞：數(shù)據(jù)挖掘；K-means算法；聚類挖掘我國(guó)既有鐵路營(yíng)業(yè)線總里程不斷增加，安全風(fēng)險(xiǎn)也隨之增加，維修天窗時(shí)間短，檢測(cè)任務(wù)繁重。針對(duì)鐵路軌道設(shè)備病害的實(shí)時(shí)監(jiān)控主要依靠車載信息、人工添乘信息以及軌檢車數(shù)據(jù)信息。月度軌檢車檢測(cè)數(shù)據(jù)、便攜式添乘儀和車載信息，以及日常人工巡檢數(shù)據(jù)匯集成了一個(gè)多層次，多架構(gòu)的軌道檢測(cè)數(shù)據(jù)體系。每月數(shù)次的軌檢車數(shù)據(jù)，也僅僅作為日常查尋病害
科學(xué)與財(cái)富 2019年19期2019-12-11
- 一種基于K-means算法的網(wǎng)絡(luò)流量異常檢測(cè)模型研究
于K-means算法的網(wǎng)絡(luò)流量異常檢測(cè)模型。該方法首先將網(wǎng)絡(luò)流量特征屬性量化為熵值進(jìn)行分類，然后將K-means聚類分析算法運(yùn)用在網(wǎng)絡(luò)流量異常檢測(cè)中，提高了檢測(cè)準(zhǔn)確率，從而實(shí)現(xiàn)安全監(jiān)測(cè)預(yù)警。該模型與傳統(tǒng)的一些網(wǎng)絡(luò)流量異常檢測(cè)模型相比，具有更高的準(zhǔn)確率。關(guān)鍵詞：流量異常檢測(cè);K-means算法;流量特征隨著互聯(lián)網(wǎng)的快速發(fā)展，網(wǎng)絡(luò)數(shù)據(jù)不斷擴(kuò)大，網(wǎng)絡(luò)威脅問題也越來越突出。各種異常事件與正常的業(yè)務(wù)流量混合在一起，特別是一些僵尸網(wǎng)絡(luò)、木馬病毒、拒絕服務(wù)、跨站腳本攻擊
無線互聯(lián)科技 2019年18期2019-12-05
- 高校學(xué)生評(píng)教系統(tǒng)中存在的若干問題及對(duì)策研究
;k-means算法中圖分類號(hào)：G645? ? ?文獻(xiàn)標(biāo)志碼：A? ? ?文章編號(hào)：1674-9324（2019）44-0239-02高校課堂教學(xué)的質(zhì)量是大學(xué)教育質(zhì)量的重要體現(xiàn)。目前國(guó)內(nèi)絕大部分高校教務(wù)處選擇高校學(xué)生評(píng)教系統(tǒng)作為高校教學(xué)質(zhì)量監(jiān)控的重要方式之一，把教師的評(píng)教得分作為教師工資、職稱評(píng)定、聘期考核等的重要依據(jù)。高校學(xué)生評(píng)教系統(tǒng)的使用對(duì)大范圍收集學(xué)生對(duì)教學(xué)的反饋信息、提高教師教學(xué)積極性和大學(xué)生學(xué)習(xí)的主動(dòng)性有著重要作用。然而，在該系統(tǒng)實(shí)際的運(yùn)行過程中
教育教學(xué)論壇 2019年44期2019-11-11
- 考慮流量均衡的多配送中心選址優(yōu)化方法
;K-means算法;整數(shù)規(guī)劃中圖分類號(hào)：F252.14文獻(xiàn)標(biāo)識(shí)碼：A0引言隨著我國(guó)物流業(yè)務(wù)量的逐年增長(zhǎng)，配送中心作為物流網(wǎng)絡(luò)中的基礎(chǔ)節(jié)點(diǎn)，扮演著越來越重要的角色。關(guān)于配送中心的選址問題，除了需要考慮距離的因素外，其他復(fù)雜因素例如當(dāng)?shù)亟煌ㄇ闆r，經(jīng)濟(jì)發(fā)展因素，服務(wù)范圍等也需要納入考量。本文研究了考慮物流流量均衡的多配送中心選址問題，即為了服務(wù)若干客戶點(diǎn)，除了考慮與客戶點(diǎn)之間的距離，還應(yīng)保證各個(gè)配送中心所服務(wù)的客戶的物流流量需求差異較小，使得每個(gè)配送中心的利用
物流科技 2019年10期2019-11-07
- 基于大數(shù)據(jù)的客戶細(xì)分方法研究
;k-means算法隨著經(jīng)濟(jì)的不斷發(fā)展，市場(chǎng)中的大量產(chǎn)品供大于需，不同企業(yè)生產(chǎn)的同類同質(zhì)產(chǎn)品不免會(huì)產(chǎn)生激烈的競(jìng)爭(zhēng)。在這種市場(chǎng)環(huán)境下，企業(yè)若想提升產(chǎn)品競(jìng)爭(zhēng)力，就需要施行有針對(duì)性的營(yíng)銷策略，將客戶分而治之，將重點(diǎn)逐漸從產(chǎn)品質(zhì)量的競(jìng)爭(zhēng)向不同客戶滿意度的競(jìng)爭(zhēng)進(jìn)行轉(zhuǎn)變。在大數(shù)據(jù)時(shí)代的當(dāng)下，數(shù)據(jù)不斷反映著我們?cè)谌粘Ｉ畹母鞣N信息。通過對(duì)大量數(shù)據(jù)的分析與處理，對(duì)數(shù)據(jù)進(jìn)行統(tǒng)一標(biāo)準(zhǔn)、屬性篩選從而獲取有用的信息。在如今的電子商務(wù)中，使用聚類的分析方法可以將客戶進(jìn)行細(xì)分，企業(yè)則
科技風(fēng) 2019年20期2019-10-21
- 改進(jìn)K-means算法在高校輿情中的應(yīng)用
的K-means算法對(duì)高校輿情進(jìn)行聚類，獲取輿情熱點(diǎn)。通過聚類算法獲取熱點(diǎn)話題，進(jìn)而對(duì)熱點(diǎn)輿情話題進(jìn)行引導(dǎo)，對(duì)改進(jìn)高校學(xué)生思想政治工作作用顯著。對(duì)改進(jìn)算法進(jìn)行實(shí)驗(yàn)，結(jié)果表明該算法準(zhǔn)確率達(dá)到75%，比傳統(tǒng)算法高出8%，改善了傳統(tǒng)算法的聚類效果。關(guān)鍵詞：高校輿情;聚類;K-means算法DOI：10. 11907/rjdk. 191734 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：中圖分類號(hào)：TP319文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2019）00
軟件導(dǎo)刊 2019年7期2019-10-11
- K-means算法中文文獻(xiàn)聚類的Python實(shí)現(xiàn)
。K-means算法是非常典型的基于距離的聚類算法，將其用于中文文獻(xiàn)聚類，按照內(nèi)容相似性把一組文獻(xiàn)分成幾個(gè)類并發(fā)現(xiàn)其中的隱形知識(shí)。本文通過實(shí)例，總結(jié)了基于Python語言的K-means算法用于中文文獻(xiàn)聚類過程，通過CH指標(biāo)、輪廓系數(shù)指標(biāo)和SSE指標(biāo)這三個(gè)評(píng)價(jià)指標(biāo)選取K-means算法的初始聚類簇?cái)?shù)，即最優(yōu)k值的取值范圍，然后分別按照基于關(guān)鍵詞和基于摘要對(duì)文獻(xiàn)進(jìn)行聚類，并對(duì)聚類結(jié)果進(jìn)行比較分析，從而得出基于摘要對(duì)中文文獻(xiàn)進(jìn)行聚類可以得到更好結(jié)果的結(jié)論，同一
軟件 2019年8期2019-10-08
- 基于K-means的手肘法自動(dòng)獲取K值方法研究
的K-means算法利用手肘法選擇合適的K值在實(shí)際項(xiàng)目中應(yīng)用的較多，但是手肘法獲取K值自動(dòng)性低，以及面對(duì)海量數(shù)據(jù)的處理，效率上也有待提高。提出利用手肘法關(guān)系圖初始點(diǎn)和末尾點(diǎn)連接的關(guān)系直線，求K值范圍下直線y值與誤差平方和的最大差值的方法，最大差值對(duì)應(yīng)的K值為手肘法的最優(yōu)肘點(diǎn)，由于手肘法需要多次迭代以及數(shù)據(jù)集稠密度對(duì)關(guān)系圖的影響較小，提出利用數(shù)據(jù)集預(yù)抽樣并且將程序部署在spark平臺(tái)之上的方式自動(dòng)獲取手肘法的肘點(diǎn)K值，這樣不僅根據(jù)此方法自動(dòng)獲取K-means
軟件 2019年5期2019-10-08
- 結(jié)合優(yōu)化支持向量機(jī)與K-means++的工控系統(tǒng)入侵檢測(cè)方法
進(jìn)K-means算法與優(yōu)化后的支持向量機(jī)組合成入侵檢測(cè)模型，從而實(shí)現(xiàn)工業(yè)控制系統(tǒng)的異常檢測(cè)。實(shí)驗(yàn)結(jié)果表明，所提方法在檢測(cè)速度和對(duì)各類攻擊的檢測(cè)率上得到明顯提升。關(guān)鍵詞：工業(yè)控制系統(tǒng);主成分分析;粒子群優(yōu)化算法;支持向量機(jī);密度中心法;K-means算法中圖分類號(hào)：TP393.08文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-9081（2019）04-1089-06Abstract： Aiming at the problem that traditional sing
計(jì)算機(jī)應(yīng)用 2019年4期2019-08-01
- 基于k-means算法的保險(xiǎn)業(yè)數(shù)字化變革
;K-means算法;R語言中圖分類號(hào)：F842.6 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）04-0121-021 我國(guó)車輛保險(xiǎn)業(yè)現(xiàn)狀1.1 我國(guó)車輛保險(xiǎn)業(yè)現(xiàn)狀中國(guó)目前的車險(xiǎn)費(fèi)率制度，大多數(shù)符合“從車主義”。即車險(xiǎn)保費(fèi)多少，主要取決于這輛車本身的各項(xiàng)情況，如車的購置價(jià)、座位數(shù)、排量、購車年限等，根據(jù)這些數(shù)據(jù)計(jì)算出一個(gè)基本的車險(xiǎn)保費(fèi)價(jià)格，再根據(jù)這輛車的上年理賠次數(shù)來打不同的折扣。這就導(dǎo)致了中國(guó)的車險(xiǎn)定價(jià)模式非常的單調(diào)，相似情況的車型，保費(fèi)也
數(shù)字技術(shù)與應(yīng)用 2019年4期2019-08-01
- 改進(jìn)的k-means聚類算法在公交IC卡數(shù)據(jù)分析中的應(yīng)用研究
統(tǒng)k-means算法中初始聚類中心隨機(jī)確定的問題，提出k-means改進(jìn)算法。首先，定義變量權(quán)值，權(quán)值的大小等于樣本密度乘以簇間距離除以簇內(nèi)樣本平均距離，通過最大權(quán)值來確定聚類中心，克服了隨機(jī)確定聚類中心的不穩(wěn)定性。然后在Hadoop平臺(tái)上用Map-Reduce框架下實(shí)現(xiàn)算法的并行化。最后以南通公交IC刷卡記錄為例，通過改進(jìn)的k-means聚類算法進(jìn)行IC卡刷卡記錄的分析。實(shí)驗(yàn)表明，在Hadoop平臺(tái)下改進(jìn)k-means算法運(yùn)行穩(wěn)定、可靠，具有很好的聚類效
軟件工程 2019年5期2019-07-03
- 智能教學(xué)系統(tǒng)中動(dòng)態(tài)學(xué)生模型構(gòu)建
王賀 張秀梅摘? 要：隨著科技的發(fā)展，各個(gè)高校網(wǎng)絡(luò)教學(xué)模式日漸增加，而網(wǎng)絡(luò)教學(xué)是在一定教學(xué)理論和思想指導(dǎo)下，應(yīng)用多媒體和網(wǎng)絡(luò)技術(shù)，通過師、生、媒體等，多邊、多向互動(dòng)和對(duì)多種媒體教學(xué)信息的收集、傳輸、處理、共享來實(shí)現(xiàn)教學(xué)目標(biāo)的一種教學(xué)模式。該課題采用Clementine12.0數(shù)據(jù)挖掘環(huán)境中的K-Means方法，分析已有的一定數(shù)量的學(xué)習(xí)行為與效果之間的關(guān)聯(lián)，建立“什么樣的學(xué)習(xí)行為能獲得什么效果”的規(guī)則，實(shí)現(xiàn)了對(duì)其學(xué)習(xí)效果的聚類分析。最終能根據(jù)所構(gòu)建的模型對(duì)學(xué)
科技資訊 2019年9期2019-06-27
- 基于異常檢測(cè)的K-means改進(jìn)算法研究
：K-means算法作為較為普遍的聚類算法，聚類效果受孤立點(diǎn)、噪聲點(diǎn)和初始聚類中心影響較大。結(jié)合Isolation Forest算法計(jì)算數(shù)據(jù)中每個(gè)樣本的異常度系數(shù)，根據(jù)離群值過濾比例計(jì)算得到異常度系數(shù)閾值，對(duì)高度異常值加以隔離，并對(duì)隔離后的數(shù)據(jù)集使用平均插值法求得初始聚類中心。運(yùn)用改進(jìn)K-means算法對(duì)真實(shí)數(shù)據(jù)集進(jìn)行聚類分析，與此同時(shí)，通過比較多個(gè)離群值過濾比例下的聚類結(jié)果，找到離群值過濾比例的最優(yōu)取值。仿真結(jié)果表明，相比于原始算法，新算法顯著提升了聚類
軟件導(dǎo)刊 2019年4期2019-06-09
- 基于布谷鳥搜索的聚類推薦算法研究綜述
;K-means算法;智能優(yōu)化算法DOI：10. 11907/rjdk. 182830中圖分類號(hào)：TP312文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2019）004-0091-040 引言推薦系統(tǒng)已成為電子商務(wù)應(yīng)用中不可或缺的組成部分。推薦算法作為推薦系統(tǒng)的核心內(nèi)容，算法性能優(yōu)劣直接影響系統(tǒng)推薦的信息準(zhǔn)確性。因此，各學(xué)者提出了許多性能優(yōu)越的推薦算法，為用戶提供更準(zhǔn)確、更高效的推薦服務(wù)，協(xié)同過濾算法是推薦系統(tǒng)領(lǐng)域應(yīng)用最廣泛也是最成功的推薦算法，但是仍然存
軟件導(dǎo)刊 2019年4期2019-06-09
- 基于MB—K—Means的網(wǎng)絡(luò)模型參數(shù)壓縮
k-means算法進(jìn)行權(quán)重聚類，然后權(quán)重量化共享。利用算法能夠增加網(wǎng)絡(luò)的訓(xùn)練速度，在深度卷積神經(jīng)網(wǎng)絡(luò)上進(jìn)行參數(shù)壓縮，減少網(wǎng)絡(luò)模型大小。實(shí)驗(yàn)表明，在ImageNet-1000數(shù)據(jù)集上，AlexNet模型縮小了31倍，VGG模型的縮小了45倍。關(guān)鍵詞：網(wǎng)絡(luò)參數(shù)；MB-K-Means算法；卷積網(wǎng)絡(luò)；參數(shù)壓縮中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2019）06-0157-021引言近幾年來，隨著技術(shù)的發(fā)展，深度神經(jīng)網(wǎng)絡(luò)所代表的AI
電腦知識(shí)與技術(shù) 2019年6期2019-05-22
- 基于密度標(biāo)準(zhǔn)差優(yōu)化初始聚類中心的k_means改進(jìn)算法
統(tǒng)k_means算法采用隨機(jī)法選擇初始聚類中心，易造成聚類結(jié)果陷入局部最優(yōu)解和聚類精度低的問題，而且易受孤立點(diǎn)的影響。為了解決這一問題，提出了一種基于密度標(biāo)準(zhǔn)差優(yōu)化初始聚類中心的改進(jìn)算法。該算法先計(jì)算數(shù)據(jù)集樣本的平均值和標(biāo)準(zhǔn)差，接著計(jì)算每個(gè)數(shù)據(jù)點(diǎn)的密度分布函數(shù)值，然后計(jì)算樣本的平均密度和密度標(biāo)準(zhǔn)差，若小于密度標(biāo)準(zhǔn)差，則劃分為孤立點(diǎn)；搜索密度分布函數(shù)值數(shù)組中的最大值，那么最大值對(duì)應(yīng)的樣本點(diǎn)即為初始聚類中心，并將以初始聚類中心為原點(diǎn)，以樣本平均值為半徑的圓內(nèi)各
電腦知識(shí)與技術(shù) 2019年6期2019-05-22
- 基于k-means算法的網(wǎng)絡(luò)數(shù)據(jù)庫入侵檢測(cè)技術(shù)
于k-means算法的網(wǎng)絡(luò)數(shù)據(jù)庫入侵檢測(cè)技術(shù)為目標(biāo)，從現(xiàn)階段入侵檢查技術(shù)與傳統(tǒng)聚類算法存在的問題入手，通過實(shí)驗(yàn)反映改進(jìn)進(jìn)K-means算法，旨在為現(xiàn)階段網(wǎng)絡(luò)入侵提供新的研究反向與視角。關(guān)鍵詞：k-means算法;網(wǎng)絡(luò)數(shù)據(jù)庫;入侵檢測(cè)技術(shù)中圖分類號(hào)：TP393? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? 文章編號(hào)：1009-3044（2019）01-0034-021 入侵檢測(cè)技術(shù)現(xiàn)狀與數(shù)據(jù)挖掘網(wǎng)絡(luò)技術(shù)的飛速發(fā)展既為人們生活帶來了便利，也出現(xiàn)了安全問題，目前入侵檢測(cè)與
電腦知識(shí)與技術(shù) 2019年1期2019-03-14
- 聚類分析在內(nèi)部審計(jì)中的應(yīng)用研究
；k-means算法；疑點(diǎn)數(shù)據(jù)；內(nèi)部審計(jì)doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2019. 01. 001[中圖分類號(hào)] F239.45 [文獻(xiàn)標(biāo)識(shí)碼] A [文章編號(hào)] 1673 - 0194（2019）01- 0004- 030 引 言聚類分析應(yīng)用于醫(yī)學(xué)、市場(chǎng)分析、信息安全、金融等多個(gè)領(lǐng)域。目前，在內(nèi)部審計(jì)中的應(yīng)用主要是在企業(yè)和同業(yè)間的差距分析，很少針對(duì)業(yè)務(wù)數(shù)據(jù)存在的問題進(jìn)行分析，傳統(tǒng)的內(nèi)部審計(jì)限于單一的看
中國(guó)管理信息化 2019年1期2019-02-16
- 改進(jìn)K-means算法的饋線線損計(jì)算
進(jìn)K-means算法的饋線線損計(jì)算方法。充分利用線損信號(hào)中的時(shí)域信息，獲取線損信號(hào)中的平均線損率、線損率變異系數(shù)、線損率變化趨勢(shì)等表征線損信號(hào)的非平穩(wěn)特征。使用該算法對(duì)區(qū)域889條饋線線損進(jìn)行計(jì)算分析，取輪廓系數(shù)最大時(shí)對(duì)應(yīng)的k值進(jìn)行聚類分析，經(jīng)過65次迭代得到8個(gè)聚類結(jié)果，其中第7類平均線損率高達(dá)33.5%，第5類線損率為17.8%，但線損率變化趨勢(shì)達(dá)308?？梢赃M(jìn)一步對(duì)該類饋線上的用電客戶負(fù)荷曲線進(jìn)行跟蹤分析，確定是否存在竊漏電行為。關(guān)鍵詞：饋線線損;改
軟件導(dǎo)刊 2019年12期2019-02-07
- 基于差分隱私的RDPk—means聚類方法
：k-means算法；差分隱私；隱私保護(hù)DOIDOI：10.11907/rjdk.181386中圖分類號(hào)：TP309文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2018）008-0205-03英文摘要Abstract：In order to solve the risk of privacy leakage in the clustering process of k-means clustering algorithm，under the premis
軟件導(dǎo)刊 2018年8期2018-10-29
- 基于高中信息技術(shù)考試成績(jī)挖掘的精準(zhǔn)化教學(xué)輔導(dǎo)初探
敖培摘要：本文首先分析了信息技術(shù)考試成績(jī)分析的必要性。在此基礎(chǔ)上，以我校高一某班級(jí)第一學(xué)期信息技術(shù)期末考試成績(jī)?yōu)檠芯繉?duì)象，采用K-Means聚類算法對(duì)學(xué)生群體分類，針對(duì)不同分類學(xué)生的特點(diǎn)提出了相應(yīng)的差異化教學(xué)輔導(dǎo)策略；采用Apriori關(guān)聯(lián)規(guī)則算法對(duì)學(xué)生知識(shí)點(diǎn)掌握情況進(jìn)行了關(guān)聯(lián)分析，針對(duì)分析結(jié)果提出了相應(yīng)的精細(xì)化教學(xué)輔導(dǎo)策略，為教師精準(zhǔn)化教學(xué)輔導(dǎo)提供有益的指導(dǎo)。關(guān)鍵詞：考試成績(jī)挖掘；K-Means算法；Apriori算法；教學(xué)輔導(dǎo)策略中圖分類號(hào)：G642.
教育教學(xué)論壇 2018年44期2018-10-13
- 基于多線激光雷達(dá)的道邊檢測(cè)算法
；K-means算法；直線擬合DOI：10.11907/rjdk.173108中圖分類號(hào)：TP306文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2018）007-0023-04Abstract：Asthepreconditionofautonomousdriving，roadedgedetectionwascrucialforintelligentvehiclestorecognizethefreedrivingspace.Byanalyzingplent
軟件導(dǎo)刊 2018年7期2018-09-26