导读:本文包含了层次化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:K-medoids聚类,层次化,教学质量,提升评估
层次化聚类论文文献综述
付宏鹏[1]（2019）在《基于K-medoids聚类的层次化教学质量提升评估研究》一文中研究指出研究基于K-medoids聚类的层次化教学质量提升评估方法。通过K-medoids聚类分析数据样本间的最优路径和聚类中心,获取数据样本集的历史最优位置,将历史最优位置点看成不同评估指标;以教学队伍、教学内容、教学条件等两级教学质量评估指标体系作为评估指标构建教学质量评估指标体系;采用多层次评价模型对历史最优位置点,即评估指标实行层次分析,通过分层综合评估过程先对评估指标实施一级评估,确定各评估指标权重,依据权重构建教学质量效果判断矩阵;再采用判断矩阵完成二级评估,评估层次化教学质量。实验结果表明,该方法评估计算机学院教师教学质量为较高,且二班教师教学质量优于一班教学质量。(本文来源于《现代电子技术》期刊2019年23期）
杨海彤[2]（2018）在《基于层次化聚类的稀疏谓词语义角色标注方法》一文中研究指出中文语义角色标注中,稀疏谓词的标注性能要远远低于其它谓词,而在实际应用中,标注系统经常需要处理大量的稀疏谓词,因此,稀疏谓词问题大大限制了语义角色标注系统的应用效果。为解决上述问题,提出一种基于聚合层次化聚类的方法。通过聚合层次化聚类建立起稀疏谓词与常见谓词的联系,稀疏谓词可以泛化为与之语义相近的常用谓词,缓和语义角色标注系统中的稀疏谓词问题。在中文命题库上的实验结果表明,该方法可有效处理中文语义角色标注中的稀疏谓词问题。(本文来源于《计算机工程与设计》期刊2018年11期）
尚新,赵鹏[3]（2018）在《一种基于层次化聚类学习的区块链共识方法》一文中研究指出为解决目前主流区块链中普遍采用的POW、POS或者PBFT等共识算法存在算力浪费或者TPS处理效率低等问题,本文提供了一种利用层次化聚类学习在区块链中达成共识的方法。该方法具体步骤如下:确定区块链中带聚类节点筛选指标;根据指标,计算每个待聚类节点的特征值;根据每个待聚类节点的特征值,利用机器学习对所述多个待聚类节点进行循环聚类处理,确定出目标节点;目标节点即为区块链共识节点。该方法可降低区块链达成共识的时间,提高共识效率。(本文来源于《信息技术与信息化》期刊2018年09期）
李汉乾[4]（2018）在《基于深度聚类网络和层次化学习的大规模图像分类》一文中研究指出图像数据在互联网和移动端成为越来越常见的传达信息的介质,尽管图像包含丰富的信息,但是如何提取和利用海量图像数据中的信息仍然是计算机视觉领域的一个难题。图像分类在智能安保系统,自动驾驶和电子商务中的商品检索等众多应用领域中都有着广泛的前景。本文主要研究大规模图像分类,大规模图像分类存在着类别数量多,图像数据量大等问题,如何依据视觉属性建立图像类别之间的层次结构,并依据该层次结构进行分类,提高分类效率,仍然是一个非常具有挑战性的研究课题。近年来,基于层次化学习的大规模图像分类已经取得了一定的研究进展,但在算法的分类准确率方面和层次化分类树的构建方面还有很大的提升空间。本文针对这些问题提出了以下两点主要改进:第一:提出了 Split Bregman迭代优化联合字典学习算法,并用于层次化大规模图像分类。本文先使用谱聚类的方法将所有图像类别聚成多个组,构建出一个两层的分类树,在每个组使用Split Bregman优化后的联合字典学习方法(JDL-SBI)进行训练,得到组字典和具体类别字典,组字典用于组分类,具体类别字典用于类别分类。本文使用Split Bregman优化后的联合字典算法提高了算法的收敛性,收敛速度。实验表明,优化后的算法提高了大规模图像分类的准确率。第二,提出了基于深度自编码的子空间聚类网络构建层次化分类树的方法。本文提出的聚类网络结构是在深度自编码网络的基础上增加一层自表示层,自表示层的参数相当于子空间聚类中的自表示矩阵参数。在扩展的YaleB和COIL20上进行对比实验,实验结果表明DASC网络的聚类准确率优于其他方法,并使用图像的类别特征作为DASC网络的输入进行聚类以构建层次化分类树,在ILSVRC2010和Caltech256上进行实验,实验结果表明基于DASC网络构建的层次化分类树更利于分类。(本文来源于《厦门大学》期刊2018-06-30）
唐晨馨[5]（2017）在《基于层次化AP聚类的商品评论数据标签化》一文中研究指出大量的研究及调查结果显示,在网络购物虚拟环境下,在线评论是消费者做出购买决策的最主要因素,此外,在线评论作为反馈数据也能帮助企业提升产品以及了解用户需求。然而,评论数据量的飞速增长,加上评论数据本身具有不规范性、冗余性的特征,使得有用数据评论信息难以获取。因此,迫切需要一种能够高效准确地提取评论数据中有效信息的技术。针对评论数据的不规范性问题,本文采用特征信息抽取技术将评论数据抽取为统一的特征信息模版。针对评论数据的冗余性问题,本文通过构建词聚类模型的方式,达到将噪音信息过滤并且高度概括有用信息特征的目的。最终旨在为企业和消费者提供一个方便、直观针地获取有用评论信息的工具。本文将评论数据标签化的目标分解为两个主要处理逻辑,分别是特征信息的抽取、基于特征信息的词聚类及标签化。针对特征信息的抽取,本文首先定义了特征信息的内涵,将<属性值,评价值>的模版作为后续处理逻辑中特征信息的抽取格式。特征信息的抽取模型由属性值抽取子模型和词性及依存句法模版抽取子模型构成。其中,属性值抽取子模型将词语的词性和隐含语义特征作为重点处理对象,词性的筛选过滤和权重赋值结合语料中的词频统计规律及人工经验数据完成;隐含语义特征的实现结合词云及种子词典完成;词性和隐含语义特征这两个参变量的权值分配根据不同情况下的筛选结果与预设模版的匹配率进行调整,最终得到最优的权重分配。词性及依存句法模版抽取子模型主要借助LTP语义分析器,将由属性值抽取子模型得到的属性值作为输入参数,统计所有和属性值有一级关系词语的词性及依存语法关系,根据预设的阈值,筛选得到最终的词性及依存句法模版。最后,基于上述构建的特征信息抽取模型完成了特征信息抽取的具体算法。针对基于特征信息的词聚类及标签化,本文在分析典型聚类算法的适用性及优劣势的基础上,提出了一种基于层次化AP的聚类模型,此聚类模型的第一层为K-means聚类模型,第二层为AP聚类模型,最后是聚类结果的回溯及标签化。本文以一号店的商品评论数据作为训练及测评语料。对特征信息抽取模块中提出的所有模型及算法完成了实现并进行了数据测试。对基于特征信息的词聚类及标签化模块中的聚类模型完成了实现,并在不同测试数据量的情况下将其和典型的词聚类模型进行了对比实验,以国际通用的准确率、召回率、F值作为测评指标,最终的测评结果显示,本文提出的基于层次化的AP聚类模型不仅在各项评价指标方面具有优势,而且在数据量增加的情况下有其他聚类模型所缺乏的良好的稳定性。(本文来源于《五邑大学》期刊2017-05-25）
高妮,贺毅岳,申元,高岭[6]（2018）在《漏洞类型聚类的层次化漏洞修复模型》一文中研究指出针对传统漏洞修复策略存在难以确定同一危害等级漏洞修复优先次序的问题,提出了一种基于漏洞类型聚类的层次化漏洞修复(vulnerability remediation based on vulnerability type clustering,VR-VTC)模型。首先,运用PSO-K-means(particle swarm optimization K-means)算法对漏洞信息进行聚类分析,再根据每种漏洞类型高危、中危、低危各个危害等级的百分比,计算每种漏洞类型的威胁因子;然后,将目标主机漏洞划分为主机、漏洞类型威胁等级、漏洞类型和漏洞4个层次,再采用"自下而上、先局部后整体"的漏洞修复策略,提出一种基于漏洞类型的层次化漏洞修复方法。实验结果表明,VR-VTC模型可为用户提供细粒度的漏洞修复策略。(本文来源于《计算机科学与探索》期刊2018年02期）
郭晋秦,韩焱[7]（2015）在《基于分布式层次化结构的非均匀聚类负载均衡算法》一文中研究指出考虑到无线传感器网络(WSN)负载不均衡导致节点存活时间较短、能量消耗量较多的问题,提出一种基于分布式层次化结构的非均匀聚类负载均衡算法(DCWSN)。首先,建立了一个WSN的多层分簇的网络拓扑结构,并分析了该网络拓扑的簇内节点运作的能量消耗方式。接着,采用非均匀聚类的负载均衡算法,在簇头的选择上考虑了节点连通密度、节点剩余能量和簇头选择时间,通过竞选出最高权重的节点成为簇头;在簇的建立阶段,通过簇大小的决定阈值和簇头的更新机制来均衡簇头的能量负载,防止簇头节点过早死亡。通过网络生命周期和网络能量消耗对提出算法的有效性进行验证,并与算法EDDIE、M-TRAC、DDC和EELBC进行比较,结果显示DCWSN算法的节点存活率为37.7%,高于对比算法,且能量效率也高于对比算法。实验结果表明,DCWSN算法对节点负载分配具有良好的均衡性,有效控制了节点负载过量的问题,提高了节点的能量效率。(本文来源于《计算机应用》期刊2015年02期）
王祖东[8]（2013）在《密度敏感的层次化聚类算法研究》一文中研究指出聚类分析作为一种非常重要的数据分析方法,已经在科学数据发掘、信息检索和文本挖掘、网页分析、计算机生物学等领域得到了广泛应用。随着信息技术的不断发展,数据量的存储也越来越大,而且对象之间的相互联系也更为复杂。在这种背景下研究如何更快更有效地聚类大规模复杂数据集显得尤为重要。近几年,在处理大规模数据集方面,近邻传播聚类算法(Affinity propagation,简称AP)得到广泛关注,它与传统算法相比,最大的优点在于处理大规模多类别数据集时运算速度快。但是,AP算法是靠传播数据点之间的近邻信息进行聚类的,当数据集中数据点间的关系比较复杂时,AP算法往往得不到最优解。同时,谱聚类算法具有能在任意形状的样本空间上聚类且收敛于全局最优解的优点,但是算法对数据集的大小非常敏感,当数据集不断增大时,谱聚类算法的性能会急剧下降。如何利用上述两种算法的优点提出新的算法,用于大规模复杂数据集的聚类任务,是本课题研究的重点内容。本文提出了两种算法分别用于改进AP算法和谱聚类算法在处理大规模复杂数据集方面的缺点：(1)基于密度敏感距离的多级近邻传播算法。算法首先在密度敏感距离基础上定义了两种新的相似性度量：局部长度和全局距离,然后将原数据集构造为k最近邻稀疏图,接着在稀疏图上以局部长度作为相似性测度并应用AP算法对数据集进行初步聚类；最后,以全局距离作为相似性测度并多次应用AP算法对初步聚类后的数据集再聚类,直到得到合适的聚类数目。通过仿真实验表明该算法比传统的AP算法聚类性能有明显提升,当数据规模较大结构较复杂时,该算法在处理时间上明显比传统的AP算法要快。(2)密度敏感的层次化聚类算法。第一种算法每次迭代都需要选择参数p来最终决定聚类数目,参数p的好坏直接决定着算法是否能在规定的迭代次数内达到全局最优解。为了减弱第一种算法对参数的敏感性,使算法在大多数数据集上得到全局最优解,本文接着提出了一种结合AP算法和谱聚类算法的混合算法,该算法是一种层次化的聚类算法。算法首先利用第一种算法对目标数据集进行预处理(粗聚类),然后将改进的谱聚类算法应用在预处理后的数据集上得到最终的聚类结果(细聚类)。通过仿真实验表明,密度敏感的层次化聚类算法在处理时间、内存占用率和聚类错误率上都优于传统的近邻传播算法和大多数的谱聚类算法。(本文来源于《兰州理工大学》期刊2013-05-13）
卢鹏丽,王祖东[9]（2014）在《密度敏感的层次化聚类算法研究》一文中研究指出以密度敏感距离作为相似性测度,结合近邻传播聚类算法和谱聚类算法,提出了一种密度敏感的层次化聚类算法。算法以密度敏感距离为相似度,多次应用近邻传播算法在数据集中选取一些"可能的类代表点";用谱聚类算法将"可能的类代表点"再聚类得到"最终的类代表点";每个数据点根据其类代表点的类标签信息找到自己的类标签。实验结果表明,该算法在处理时间、内存占用率和聚类错误率上都优于传统的近邻传播算法和谱聚类算法。(本文来源于《计算机工程与应用》期刊2014年04期）
白雪,罗四维,黄雅平[10]（2011）在《Renyi信息熵指导下的聚合层次化聚类》一文中研究指出聚合层次化聚类是聚类分析中发现数据集潜在结构的一类重要方法.在这类方法中,影响聚类质量的一个关键问题是如何度量子类之间的距离.作为子类间的相似性度量,不但可以通过非参数估计的方式进行计算,还可有效地利用子类数据集中所有样本提供的信息,对子类中数据分布的描述更加充分.实验结果显示,在两种具有代表性的人造数据集上,基于Renyi熵的类间距离度量比3种传统度量方法有更好的层次化聚类效果.并且,在图像过分割的情况下,通过Renyi熵距离对子分割区域进行合并可以找到合理的分割目标.(本文来源于《北京交通大学学报》期刊2011年05期）
层次化聚类论文开题报告
（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：
中文语义角色标注中,稀疏谓词的标注性能要远远低于其它谓词,而在实际应用中,标注系统经常需要处理大量的稀疏谓词,因此,稀疏谓词问题大大限制了语义角色标注系统的应用效果。为解决上述问题,提出一种基于聚合层次化聚类的方法。通过聚合层次化聚类建立起稀疏谓词与常见谓词的联系,稀疏谓词可以泛化为与之语义相近的常用谓词,缓和语义角色标注系统中的稀疏谓词问题。在中文命题库上的实验结果表明,该方法可有效处理中文语义角色标注中的稀疏谓词问题。
（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。
层次化聚类论文参考文献
[1].付宏鹏.基于K-medoids聚类的层次化教学质量提升评估研究[J].现代电子技术.2019
[2].杨海彤.基于层次化聚类的稀疏谓词语义角色标注方法[J].计算机工程与设计.2018
[3].尚新,赵鹏.一种基于层次化聚类学习的区块链共识方法[J].信息技术与信息化.2018
[4].李汉乾.基于深度聚类网络和层次化学习的大规模图像分类[D].厦门大学.2018
[5].唐晨馨.基于层次化AP聚类的商品评论数据标签化[D].五邑大学.2017
[6].高妮,贺毅岳,申元,高岭.漏洞类型聚类的层次化漏洞修复模型[J].计算机科学与探索.2018
[7].郭晋秦,韩焱.基于分布式层次化结构的非均匀聚类负载均衡算法[J].计算机应用.2015
[8].王祖东.密度敏感的层次化聚类算法研究[D].兰州理工大学.2013
[9].卢鹏丽,王祖东.密度敏感的层次化聚类算法研究[J].计算机工程与应用.2014
[10].白雪,罗四维,黄雅平.Renyi信息熵指导下的聚合层次化聚类[J].北京交通大学学报.2011
标签：K-medoids聚类; 层次化; 教学质量; 提升评估;