导读:本文包含了期望最大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:包分类,聚类,单链接,期望最大化
期望最大化聚类论文文献综述
王小慧[1]（2016）在《基于单链接和期望最大化规则聚类的包分类技术》一文中研究指出计算机网络的核心设备是路由器和防火墙等,包分类技术(Packet Classification)是这些核心设备的关键技术,它制约着计算机网络带宽的发展,因此,包分类研究具有重要的现实意义和应用前景。现有的包分类技术主要分为基于软件和硬件实现的技术,基于软件的技术主要通过复杂数据结构来构造包分类算法,该类算法存在性能瓶颈;基于硬件的技术通过设计专用的硬件体系结构加快包分类过程,该类算法代价高、不易于扩展。本文利用聚类分析的理论和包分类聚集特征将包分类问题映射成空间中点定位问题,并设计相应的包分类算法,提高包分类性能。针对现有包分类算法中存在的常见问题,本文主要做了以下工作:(1)提出了一种基于几何空间的包分类问题形式化方法。该方法首先将数据包和规则库中的规则映射成空间中的矩形区域,其次取该矩形区域的中心点代表该数据包或规则,最终将包分类问题转化为空间中点与点之间的距离问题。理论分析和实验结果表明,利用该方法处理的规则库易于进行聚类分析,并能实现数据包与规则库的高效匹配。(2)提出了一种基于单链接聚类的分支树包分类算法。该算法分为两个阶段。第一,预处理阶段,采用包分类问题形式化方法把规则和数据包进行形式化成空间坐标中的点,再利用单链接算法对已形式化的规则进行聚类形成多个簇;第二,包匹配阶段,根据现有的簇构建分支树并完成包的匹配过程。实验结果表明,该方法包匹配效率高、包分类准确率高,是一种支持大规模规则库的高效包分类算法。(3)提出了一种基于期望最大化聚类的层次特里树包分类算法。该算法首先采用包分类问题形式化方法把规则和数据包进行形式化成空间坐标中的点,再利用期望最大化算法将规则进行聚类,最后根据所形成的簇构建层次特里树并完成包匹配过程。该算法中的层次特里树结构不仅采用了路径压缩消除了回溯,而且也解决了特里树更新难的问题,在很大程度上提高了算法的性能。(本文来源于《湖南师范大学》期刊2016-06-01）
乔科[2]（2014）在《基于后缀树聚类和期望最大化求精的模体发现算法》一文中研究指出模体发现问题，即寻找转录因子结合位点(TFBS)，是生物信息学上研究的热门问题之一。由于模体蕴含着丰富的生命遗传特征信息，所以探究基因序列上的模体实例，对基因表达和调控具有重要意义。而生物序列的复杂性和基因变异的存在导致了模体在空间分布和特征上差异较大，也使问题变得非常复杂。为了解决模体发现中子序列数庞大和模体实例难以定位的问题，本文结合后缀树聚类和期望最大化求精提出了一种新的模体发现算法。主要分为两个阶段，第一阶段采用基于后缀树的k前缀字符串进行相似性度量，设计子类划分算法完成聚类过程，大大减小了问题规模，也保证了子类中序列的相似性。第二阶段以具有高信息量的子集作为起始点，对OOPS、ZOOPS、TCM叁种不同类型，应用基于混合统计模型的期望最大化算法(EM)完成求精过程，以似然率和相对熵作为测度进行极大似然估计来确定模体和位点集。通过对多种类型的真实生物数据进行实验表明，聚类过程能明显的减少l-mer集的数量，得到更为保守的子序列集。求精过程通过前一阶段的起始点可以迭代收敛到最优结果。通过聚类和求精过程，算法能够有效的识别出转录因子结合位点。(本文来源于《西安电子科技大学》期刊2014-03-01）
周佳男,冯志林,朱向军[3]（2013）在《喷墨印花纹理图像的期望最大化聚类分割算法》一文中研究指出针对聚类分割算法对喷墨印花纹理图像存在的局限性,提出了一种结合期望最大化(EM)的喷墨印花纹理图像聚类分割算法(CSA)。首先,将空间相关性引入聚类分割中,利用自回归模型表征纹理同质区域;然后,为了提高分割模型参数估计的精度,将分块标定机制引入期望最大化算法中,实现了参数极大似然估计的迭代算法,解决了不完全数据参数估计问题;最后,利用数据集分块并进行聚类,使同类元素具有较高的相似度,从而对图像中的像素进行了归类划分,并将得到的结果进行了合并,实现了目标图像的正确分割。实验结果表明,和传统的聚类分割算法相比,该算法能更好地解决喷墨印花纹理图像的分割问题。(本文来源于《机电工程》期刊2013年08期）
刘德连,王博,张建奇[4]（2009）在《期望最大化聚类的高光谱亚像素目标检测》一文中研究指出针对高光谱目标检测中复杂背景的影响,提出一种基于期望最大化聚类的亚像素目标检测方法,利用背景分解来描述复杂背景.首先,采用期望最大化聚类法实现高光谱图像的背景分解.然后,将背景子空间模型应用于分解得到的场景.由于分解得到的场景更加单一,因此该方法更适合于复杂背景下的亚像素目标检测.将提出的方法应用于实际的高光谱图像,实验结果表明这种方法具有更好的检测性能.(本文来源于《西安电子科技大学学报》期刊2009年03期）
期望最大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：
模体发现问题，即寻找转录因子结合位点(TFBS)，是生物信息学上研究的热门问题之一。由于模体蕴含着丰富的生命遗传特征信息，所以探究基因序列上的模体实例，对基因表达和调控具有重要意义。而生物序列的复杂性和基因变异的存在导致了模体在空间分布和特征上差异较大，也使问题变得非常复杂。为了解决模体发现中子序列数庞大和模体实例难以定位的问题，本文结合后缀树聚类和期望最大化求精提出了一种新的模体发现算法。主要分为两个阶段，第一阶段采用基于后缀树的k前缀字符串进行相似性度量，设计子类划分算法完成聚类过程，大大减小了问题规模，也保证了子类中序列的相似性。第二阶段以具有高信息量的子集作为起始点，对OOPS、ZOOPS、TCM叁种不同类型，应用基于混合统计模型的期望最大化算法(EM)完成求精过程，以似然率和相对熵作为测度进行极大似然估计来确定模体和位点集。通过对多种类型的真实生物数据进行实验表明，聚类过程能明显的减少l-mer集的数量，得到更为保守的子序列集。求精过程通过前一阶段的起始点可以迭代收敛到最优结果。通过聚类和求精过程，算法能够有效的识别出转录因子结合位点。
（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。
期望最大化聚类论文参考文献
[1].王小慧.基于单链接和期望最大化规则聚类的包分类技术[D].湖南师范大学.2016
[2].乔科.基于后缀树聚类和期望最大化求精的模体发现算法[D].西安电子科技大学.2014
[3].周佳男,冯志林,朱向军.喷墨印花纹理图像的期望最大化聚类分割算法[J].机电工程.2013
[4].刘德连,王博,张建奇.期望最大化聚类的高光谱亚像素目标检测[J].西安电子科技大学学报.2009