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：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：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：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：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：医学中的彩色超声图像受成像机理的影响,会出现对比度不高、边缘不清晰的现象。传统的图像分割方法存在处理结果准确率低、部分目标丢失等问题。文章针对图像分割中广泛应用的K-means算法依赖初始聚类中心和搜索易收敛于局部最优等不足,在基本粒子群算法中加入惯性权重来提高收敛性能,并用该算法确定初始聚类中心,解决K-means的缺陷,然后将改进算法应用于L＊a＊b颜色空间的彩色超声心脏图像分割中。实验显示,改进方法改善了聚类结果的准确率和稳定性,且聚类时间也短,对色彩度低的超声图像可取得很好的分割效果。

简介：  摘要：随着生产任务不断增加,铁路货车运量不断加大，铁路列检作业现场和人员状态的盯控难以做到及时、全面，造成在一些制度执行、落实的过程中不能有效监管，出现作业人员违章作业、滞留天窗、早进晚出、超范围作业，一但发生人员未及时下道情况容易造成人车相撞事故造成人员伤亡。但现有的防护设备和防护方式无法满足当今现场作业防护需求。为了解决这一问题研究一款在列车接近时可以使作业人员得知列车信息进行预警的终端，提高现场作业防护水平保障作业人员安全。

简介：摘要随着客户对供电服务的要求不断提升，供电企业有必要进行客户分群，实施差异化服务。基于数据挖掘的聚类分析，从客户行为特征、价值特征、需求特征三个维度，利用K-means算法构建了价值贡献度的客户分群模型，能够较好地满足供电企业客户分群的需求。通过甄别出不同价值贡献度的客户群体，合理分配资源，制定合适的经营策略，提升企业的竞争力和经济效益。

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：针对Hadoop存在的不足,提出了利用分布式数据库来模拟共享存储空间的解决方案。并对DBIK-means聚类算法做了并行化设计和实验分析,验证了DBIK-means聚类算法在处理大数据时,能够获得较好的加速比。

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：针对福建红茶（正山小种）图像中存在优劣茶叶颗粒的颜色差异,结合数字图像处理技术及应用机器学习,为达到更快更精确的自动识别图像中劣质茶叶的目的,提出一种基于K-Means和SVM耦合算法（KM-SVM）的茶叶图像识别方法.其算法首先进行K-Means聚类算法自动选取训练样本,然后分别提取样本中的颜色特征和纹理特征作为SVM模型训练样本的特征向量进行训练,最后用训练好的分类器对图像进行识别.实验结果表明,该耦合算法具有较高的可行性和有效性.

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：

简介：这商个人出发到世界各地游览。他们正搭乘哪些交通工具呢？

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。