导读:本文包含了可能性均值聚类算法论文开题报告文献综述及选题提纲参考文献，主要关键词:核可能性C均值,边界模糊,聚类算法,类间极大惩罚项
可能性均值聚类算法论文文献综述
林嘉炜,祁云嵩,陈晓利,凡甲甲[1]（2018）在《基于改进核可能性C均值类间极大化聚类算法》一文中研究指出核可能性C均值(KPCM)聚类算法只考虑类内元素之间的关系,而忽略类与类之间的关系,在对边界模糊的数据集进行聚类时会出现聚类中心距离过小甚至出现聚类中心重合的现象。针对上述问题,提出一种基于改进核可能性C均值类间极大化(KMPCM)聚类算法。该算法在核可能性C均值聚类算法上引入高维特征空间的类间极大惩罚项和调控因子λ,构造新的目标函数。这样既可以合理地拉大类中心间距离,较好地避免聚类中心距离过小甚至重合的现象,使得边界处的样本得到了较好的划分,同时也考虑类内元素的关系,保持对噪声点和野值点较好的鲁棒性。通过大量实验证明,改进算法对于边界模糊的数据集的聚类效果明显优于传统聚类算法。(本文来源于《现代电子技术》期刊2018年24期）
夏洋洋,刘渊,黄亚东[2]（2018）在《中心约束的跨源学习可能性C均值聚类算法》一文中研究指出可能性C均值聚类算法(Possibilistic C-Means,PCM)相比于模糊C均值聚类算法(Fuzzy C-Means,FCM),能更好地处理含有噪音和例外点的数据,但在处理数据粘性较强的数据集时,PCM算法的聚类中心趋于一致,从而导致聚类算法直接失效。针对这个问题,提出了中心约束准则与跨域迁移学习准则,并将其应用到可能性C均值算法中,从而提出一种具有中心约束能力的聚类算法,简称中心约束的跨源学习聚类算法,改进后的算法能够利用跨域知识进行辅助聚类,确保类中心相互远离,从而能够保证算法的聚类性能。通过模拟数据集和真实数据集的实验,验证了该算法的上述优点。(本文来源于《计算机工程与应用》期刊2018年05期）
于晓瞳,狄岚,彭茜[3]（2016）在《一种极大中心间隔的核可能性C均值聚类算法》一文中研究指出传统核可能性C均值(KPCM)算法仅考虑类内的紧密性而忽略了类间的距离关系,在对边界模糊的数据进行聚类分析时,会引起因聚类中心距离小或重合引起的边界点误分问题。为解决上述问题,在核可能性C均值基础上引入高维特征空间中的类间极大惩罚项和调控因子λ,构造了全新的目标函数,称为极大中心间隔的核可能性C均值(MKPCM)聚类算法。该算法通过类间极大惩罚项使类间距离极大化,并利用调控因子λ合理控制类间距,较好地避免了类中心间距离小或重合的现象。通过大量的实验证明,算法对于边界模糊的数据聚类效果优于传统的聚类算法;在图像分割的实际应用中,算法也明显优于传统的聚类算法。(本文来源于《计算机工程与应用》期刊2016年19期）
文传军,汪庆淼[4]（2015）在《广义可能性C均值聚类算法》一文中研究指出可能性C均值聚类算法(PCM)中模糊加权指标m要求大于1,通过对PCM算法的分析讨论,将PCM算法中模糊加权指标m设置为多个独立变量,且将其取值范围进行了扩展,称之为广义可能性C均值聚类(GPCM)。GPCM从理论上分析了加权指标m的扩展取值范围,并利用粒子群算法(PSO)对样本模糊隶属度进行估计。GPCM算法突破了PCM算法对参数m的约束。仿真实验验证了所提算法的有效性。(本文来源于《计算机工程与科学》期刊2015年05期）
文传军,汪庆淼,詹永照[5]（2015）在《反一致可能性C均值聚类算法》一文中研究指出可能性C均值聚类(PCM)因存在聚类中心一致性问题而导致PCM算法聚类失效。提出了反一致可能性C均值聚类算法(ACPCM),它将各聚类中心间距离的倒数之和构造为反一致性项,将反一致性项和PCM目标函数之和构成ACPCM目标函数,利用粒子群算法估计聚类中心,利用梯度法建立模糊隶属度迭代公式。理论分析和仿真实验验证了所提算法的聚类有效性及反一致性。(本文来源于《计算机科学》期刊2015年01期）
杨欣欣,黄少滨[6]（2014）在《基于可能性C-均值的鲁棒多视角聚类算法》一文中研究指出目前多数多视角聚类算法不考虑噪声问题,为了更有效地分析含有噪声数据的聚簇结构,提出了一种基于可能性C-均值的鲁棒多视角聚类(PCM-RMVC)算法,该算法同时利用多个视角空间中的特征信息,最小化每个视角空间中数据对象与聚簇中心的距离.推导出数据隶属度和每个视角权重的迭代更新规则,设计出聚类过程的迭代算法.实验表明:PCM-RMVC算法对噪声具有较强的鲁棒性,并且聚类效果优于五种有代表性的多视角聚类算法.(本文来源于《华中科技大学学报(自然科学版)》期刊2014年03期）
汪海良,佘堃,周明天[7]（2013）在《基于阴影集的粗糙模糊可能性C均值聚类算法》一文中研究指出相对于硬聚类算法,软聚类算法可以更好地表示具有不精确边界的类簇。粗糙集和模糊集均是用于描述不确定数据的有效的数学工具,二者互为补充。研究人员已经将粗糙集和模糊集的概念相结合,并应用到聚类算法中,提出了粗糙模糊可能性C均值聚类算法。而文中通过引入阴影集,有效地解决了粗糙模糊可能性C均值聚类算法中的阈值选择问题。(本文来源于《计算机科学》期刊2013年01期）
杭欣,李雷[8]（2012）在《基于混合核函数的可能性C-均值聚类算法》一文中研究指出针对传统的模糊C-均值算法对于非球形分布的数据聚类效果不理想且易受到噪声数据的影响,利用可能性C-均值算法具有良好的抗噪声性能,将混合核函数引入到该算法中,提出了一种基于混合核函数的可能性C-均值(HKPCM)聚类算法。该算法将原空间的待分类样本映射到一个高维的特征空间(核空间)中,使得样本变得线性可分,然后在核空间中进行聚类。实验结果证实了HKPCM算法的可行性和有效性。(本文来源于《计算机应用研究》期刊2012年08期）
高颖,王修亮,陆旭青,殷允锋[9]（2010）在《基于PSO的可能性C均值聚类算法的研究》一文中研究指出可能性C均值算法(PCM)是为了克服模糊C均值算法对噪声的敏感性而提出来的,但是它也存在一些缺陷,如易陷入局部最优,对初始条件敏感,导致聚类结果一致性等问题。针对以上问题,通过引进粒子群算法对其进行改进可以有效地避免这些问题,即提出了基于粒子群优化的可能性C均值聚类算法(PSO-PCM)。基于粒子群优化的可能性C均值聚类方法首先对编码过的数据点进行优化,然后对该方法产生的中心点进行聚类,在聚类的过程中根据适应度函数再进行调节。通过对给定数据集的聚类测试,结果表明,基于粒子群优化的可能性C均值聚类方法在收敛速度和全局寻优能力等方面有较大的改进。(本文来源于《计算机仿真》期刊2010年09期）
武小红,周建江[10]（2008）在《可能性模糊C-均值聚类新算法》一文中研究指出模糊C-均值聚类(FCM)对噪声数据敏感和可能性C-均值聚类(PCM)对初始类中心非常敏感易导致一致性聚类.可能性模糊C-均值聚类(PFCM)综合了FCM和PCM算法并且克服了这些缺点.但是PFCM必须先运行FCM来计算参数.提出一种新的PCM算法,新的PCM算法利用协方差矩阵来计算参数衡量了数据集的紧凑程度且无须先运行FCM,在新的PCM和FCM基础上提出了新PFCM算法,该算法无须事先运行FCM以计算参数,减少了算法运算时间.对数据集的测试实验结果表明了提出的新算法能同时产生模糊隶属度和典型值,减少聚类时间,同时具有更好的分类准确率.(本文来源于《电子学报》期刊2008年10期）
可能性均值聚类算法论文开题报告
（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：
可能性C均值聚类算法(Possibilistic C-Means,PCM)相比于模糊C均值聚类算法(Fuzzy C-Means,FCM),能更好地处理含有噪音和例外点的数据,但在处理数据粘性较强的数据集时,PCM算法的聚类中心趋于一致,从而导致聚类算法直接失效。针对这个问题,提出了中心约束准则与跨域迁移学习准则,并将其应用到可能性C均值算法中,从而提出一种具有中心约束能力的聚类算法,简称中心约束的跨源学习聚类算法,改进后的算法能够利用跨域知识进行辅助聚类,确保类中心相互远离,从而能够保证算法的聚类性能。通过模拟数据集和真实数据集的实验,验证了该算法的上述优点。
（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。
可能性均值聚类算法论文参考文献
[1].林嘉炜,祁云嵩,陈晓利,凡甲甲.基于改进核可能性C均值类间极大化聚类算法[J].现代电子技术.2018
[2].夏洋洋,刘渊,黄亚东.中心约束的跨源学习可能性C均值聚类算法[J].计算机工程与应用.2018
[3].于晓瞳,狄岚,彭茜.一种极大中心间隔的核可能性C均值聚类算法[J].计算机工程与应用.2016
[4].文传军,汪庆淼.广义可能性C均值聚类算法[J].计算机工程与科学.2015
[5].文传军,汪庆淼,詹永照.反一致可能性C均值聚类算法[J].计算机科学.2015
[6].杨欣欣,黄少滨.基于可能性C-均值的鲁棒多视角聚类算法[J].华中科技大学学报(自然科学版).2014
[7].汪海良,佘堃,周明天.基于阴影集的粗糙模糊可能性C均值聚类算法[J].计算机科学.2013
[8].杭欣,李雷.基于混合核函数的可能性C-均值聚类算法[J].计算机应用研究.2012
[9].高颖,王修亮,陆旭青,殷允锋.基于PSO的可能性C均值聚类算法的研究[J].计算机仿真.2010
[10].武小红,周建江.可能性模糊C-均值聚类新算法[J].电子学报.2008