导读:本文包含了基于约束的聚类论文开题报告文献综述及选题提纲参考文献，主要关键词:多名融合,地域约束,密度聚类
基于约束的聚类论文文献综述
贺依依,黎铁军,蒋艳凰[1]（2019）在《基于地域约束的单位名称二次聚类》一文中研究指出在知识图谱的构建过程中,抽取出的实体表述往往存在多种歧义,需要对这些歧义进行消解,主要的解决方法是进行多名聚合。由于构建知识图谱的数据来源具有多样性,大部分数据都是无标签数据,因此在多名聚合的过程中,主要是使用密度聚类的方式对实体表述进行聚合。论文中,提出了二次聚类的方法。首先对第一次密度聚类产生的聚类结果,使用地域约束对其进行进一步划分。其次,在划分的基础上,对其进行第二次聚类,解决由于密度距离泛化导致的同一簇内存在多个不同实体的问题,在一定程度上提高了聚类的准确率。(本文来源于《计算机与数字工程》期刊2019年11期）
罗恒利,王文博,葛宏孔[2]（2019）在《基于上下文约束的人脸聚类算法》一文中研究指出人脸聚类将属于同一身份的人脸图片自动分到同一组,可用于人脸标注和图像管理等领域。传统的聚类算法的准确率很高,其召回率往往较低。为了解决这个问题,文中提出了一种加入叁角约束关系和上下文约束的聚类算法。该聚类算法基于条件随机场模型,结合叁角约束关系,同时考虑图像中常见的上下文约束,分别在聚类迭代过程和初步聚类之后添加最大相似度约束和共同出现约束,并对簇类进行整合。实验结果显示,结合上下文约束的条件随机场模型可以快速进行人脸聚类,同时还能保证在较高准确率的基础上有较高的召回率,从而提高整体的聚类效果。(本文来源于《计算机科学》期刊2019年S2期）
陶性留,俞璐,王晓莹[3]（2019）在《基于成对约束的半监督聚类方法》一文中研究指出成对约束作为半监督学习的一个重要分支,它以无监督的聚类算法为基础,通过利用少量的监督信息来提高聚类的性能。提出了一种基于成对约束的半监督聚类方法,在FCM-NMF聚类算法框架下,采用非负矩阵分解提取样本的本质特征,并且加入成对约束条件指导聚类过程进行模糊聚类。构造出的新的目标函数采用梯度下降法和交替迭代公式来找局部最优解,并在UCI数据集上讨论了成对约束的数量对聚类的影响、价值系数的设置对聚类的影响,并与常见的半监督聚类性能进行了比较,证明了其正确性、有效性、稳定性。(本文来源于《信息技术与网络安全》期刊2019年11期）
赵英,翟源伟,陈骏君,滕建[4]（2019）在《基于约束K-means聚类算法的学生宿舍分配研究》一文中研究指出学生宿舍分配是高校学生工作的重要组成部分。但是由于学生之间生活习惯的不同,宿舍矛盾时有发生。因此文中通过将迎新网站上收集到的新生作息习惯、睡眠情况、卫生习惯等信息作为学生宿舍分配的依据,提出了一种基于约束k-means聚类算法的宿舍分配算法。通过聚类可以使生活作息习惯相似的学生聚集在一起,从而避免宿舍矛盾的发生。实验证明,所提出的宿舍分配策略具有较强的实用价值。(本文来源于《中国计算机用户协会网络应用分会2019年第二十叁届网络新技术与应用年会论文集》期刊2019-11-07）
孔维梁,韩淑云[5]（2019）在《基于约束聚类的学习共同体智能构建与应用研究》一文中研究指出在线学习共同体改变了传统在线学习中的"孤岛式"学习结构,为智慧共享与知识协同构建提供了有效的支撑环境。构建良好的在线学习共同体,已成为目前在线学习研究领域中的核心问题。研究将在线学习共同体的构建抽象为带约束聚类问题,并结合Kolb学习风格分类模型,提出了基于约束聚类的在线学习共同体智能构建方法,通过学习者在认知加工维度和感知维度的偏好进行学习风格建模,然后结合均值飘移算法和改进层次聚类算法对学习者风格进行带约束聚类,实现学习共同体在学习风格层面的"组内异质性"和"组间同质性"。最后,将研究成果应用于教学实践中,结果表明:相对于随机构建方法,智能构建方法更有利于高层知识的协同建构和学习成绩的提高。(本文来源于《中国电化教育》期刊2019年10期）
李沐春,贾宗维[6]（2019）在《基于约束满足的大数据聚类中心点确定仿真》一文中研究指出针对传统的大数据聚类中心点确定方法存在用时较长、准确性较低等问题,提出了一种基于约束满足的大数据聚类中心点确定方法。将数据分布密度与增加数据关键点密度权值两种方法相结合,对大数据初始聚类中心进行K-means聚类,并获取最优聚类数目。通过最优聚类数目构建微型相似性矩阵,采用Gabow算法提取该矩阵所对应连通图的各个强连通分支。在强连通分支的基础之上,通过约束传播算法获取整个数据集的点对相似度,并利用点对相似度和奇异值分解确定大数据聚类中心点,实现数据聚类。实验结果表明,所提方法对具有更高的聚类准确性以及更低的聚类时间,适合海量数据的聚类应用。(本文来源于《计算机仿真》期刊2019年09期）
王荣淼,张峰峰,詹蔚,陈军,吴昊[7]（2019）在《基于空间约束的模糊C均值聚类肝脏CT图像分割》一文中研究指出传统模糊C均值(FCM)聚类算法应用于肝脏CT图像分割时仅考虑像素本身特征,无法解决灰度不均匀造成的影响以及肝脏边界模糊造成的边界泄露的问题。为解决上述问题,提出一种结合空间约束的模糊C均值(SFCM)聚类分割算法。首先,使用二维高斯分布函数构建卷积核,利用该卷积核对源图像进行空间信息提取得到特征矩阵;然后,引入空间约束惩罚项,更新并优化目标函数得到新的迭代方程;最后,通过多次迭代,完成对肝脏CT图像的分割。实验结果表明,SFCM算法分割具有灰度不均匀和边界粘连的肝脏CT图像时得到的肝脏轮廓形状更加规则,准确率达到92.8%,比FCM和直觉模糊C均值(IFCM)算法的分割准确率分别提升了2.3和4.3个百分点,过分割率分别降低了4.9和5.3个百分点。(本文来源于《计算机应用》期刊2019年11期）
杨艺芳,张捷[8]（2019）在《拉普拉斯秩约束的子空间聚类算法》一文中研究指出针对子空间聚类算法中构建块对角相似度矩阵的方法不直接且假设条件很难满足的问题,提出直接以块对角优先的拉普拉斯秩约束子空间聚类算法(BLRC)。通过添加拉普拉斯矩阵秩约束构建块对角的相似度矩阵,利用拉普拉斯正则项确保数据样本的群组效应,采用交替拉格朗日乘子的方法进行求解,得到具有精确块对角结构的相似度矩阵。实验结果表明,BLRC算法聚类具有良好的聚类性能,聚类的精确度明显优于对比算法。(本文来源于《计算机工程与设计》期刊2019年08期）
冯心欣,柳泽烽,谢志鹏,郑海峰[9]（2019）在《考虑道路形状约束的车辆轨迹聚类方法》一文中研究指出随着车联网技术的不断发展,产生了海量车辆轨迹数据。这些车辆轨迹数据可以通过聚类分析方法挖掘出车辆行驶的潜在规律,从而实现指导车辆出行的目的。提出一种基于密度的车辆轨迹聚类方法,对基于道路形状关键点位置选取的车辆轨迹信息进行重构,并考虑车辆在路网中移动的空间约束,分析聚类结果得到城市道路的交通状况,以此指导车辆出行以避免或减轻车辆拥堵。基于福州市真实的车辆数据对提出的车辆轨迹聚类算法进行验证,并对最后的聚类结果进行了详细的分析。实验结果表明,针对车辆轨迹聚类并结合道路网络的方法能够更加真实反映车辆的行为特征。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2019年04期）
向思源,金应华,徐圣兵[10]（2019）在《基于功效散度和成对约束的半监督聚类算法》一文中研究指出现有成对约束半监督聚类算法(CE-s SC)克服了极大熵聚类(MEC)算法不能利用样本成对约束信息的缺点,但CE-s SC算法的惩罚项中各熵项之间相互干扰,不利于惩罚项系数的选择。为克服此问题,基于相对熵提出了一类新的半监督聚类算法(PD-s SC),并把表示成对约束样本信息(外部信息)的相对熵项推广到了功效散度(PD)族。此时,PD指标可取任意的实数,当成对约束数较少时,可通过调整PD散度指标来选择比对比算法表现更好的PD-s SC算法。实验结果显示了PD-s SC算法的优良性质,PD-s SC算法惩罚系数的选择也比CE-s SC算法简单且高效。(本文来源于《佛山科学技术学院学报(自然科学版)》期刊2019年04期）
基于约束的聚类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
人脸聚类将属于同一身份的人脸图片自动分到同一组,可用于人脸标注和图像管理等领域。传统的聚类算法的准确率很高,其召回率往往较低。为了解决这个问题,文中提出了一种加入叁角约束关系和上下文约束的聚类算法。该聚类算法基于条件随机场模型,结合叁角约束关系,同时考虑图像中常见的上下文约束,分别在聚类迭代过程和初步聚类之后添加最大相似度约束和共同出现约束,并对簇类进行整合。实验结果显示,结合上下文约束的条件随机场模型可以快速进行人脸聚类,同时还能保证在较高准确率的基础上有较高的召回率,从而提高整体的聚类效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
基于约束的聚类论文参考文献
[1].贺依依,黎铁军,蒋艳凰.基于地域约束的单位名称二次聚类[J].计算机与数字工程.2019
[2].罗恒利,王文博,葛宏孔.基于上下文约束的人脸聚类算法[J].计算机科学.2019
[3].陶性留,俞璐,王晓莹.基于成对约束的半监督聚类方法[J].信息技术与网络安全.2019
[4].赵英,翟源伟,陈骏君,滕建.基于约束K-means聚类算法的学生宿舍分配研究[C].中国计算机用户协会网络应用分会2019年第二十叁届网络新技术与应用年会论文集.2019
[5].孔维梁,韩淑云.基于约束聚类的学习共同体智能构建与应用研究[J].中国电化教育.2019
[6].李沐春,贾宗维.基于约束满足的大数据聚类中心点确定仿真[J].计算机仿真.2019
[7].王荣淼,张峰峰,詹蔚,陈军,吴昊.基于空间约束的模糊C均值聚类肝脏CT图像分割[J].计算机应用.2019
[8].杨艺芳,张捷.拉普拉斯秩约束的子空间聚类算法[J].计算机工程与设计.2019
[9].冯心欣,柳泽烽,谢志鹏,郑海峰.考虑道路形状约束的车辆轨迹聚类方法[J].重庆邮电大学学报(自然科学版).2019
[10].向思源,金应华,徐圣兵.基于功效散度和成对约束的半监督聚类算法[J].佛山科学技术学院学报(自然科学版).2019