导读:本文包含了中心初始化论文开题报告文献综述及选题提纲参考文献，主要关键词:模糊K-modes算法,距离,密度,初始聚类中心
中心初始化论文文献综述
王思杰,唐雁[1]（2018）在《改进的分类数据聚类中心初始化方法》一文中研究指出模糊K-modes算法是一种有效的针对分类数据的聚类方法,但算法性能非常依赖于初始中心的选择。针对模糊聚类算法对初始中心敏感这一问题,提出一种改进的基于距离和离群点检测的初始中心选择的方法。首先,通过增大初始中心选择过程中距离所占的比重,使所选择的初始中心点更具有分布性;然后,运用基于距离的离群点检测技术对初始中心点进行进一步筛选,避免离群点成为初始中心。对比实验结果表明,改进方法提高了分类数据初始中心选择的成功率,并具有较高的准确率。(本文来源于《计算机应用》期刊2018年S1期）
郭荣传[2]（2016）在《基于密度函数的FCM聚类中心初始化研究综述》一文中研究指出模糊C均值(FCM)聚类算法能很好地解决不确定问题的分类,但该算法聚类结果却过于依赖初始聚类中心和易陷入局部最优解。本文重点针对基于密度函数的初始聚类中心初始化算法进行分类总结,将密度函数的度量方式归纳为4大类。通过实验对比分析了各种度量方式的优缺点,旨在为研究人员选择适合的密度函数度量方法提供一定的参考。(本文来源于《科技广场》期刊2016年06期）
任田田[3]（2015）在《云数据中心中虚拟机初始化放置策略的优化算法及其应用研究》一文中研究指出云计算是一种能够将动态伸缩的虚拟化资源通过互联网以服务的方式提供给用户的商业模式。数据中心是云计算极为重要的组成部分,它托管了云计算中所有的计算资源、存储资源、网络和安全资源等。用户使用云服务时,提供服务的就是数据中心机房内的一台台服务器。随着云计算的飞速发展,数据中心的规模也急速扩大。一方面,数据中心的硬件设施数量庞大,造成了大量的电能消耗；另一方面,数据中心内部大量服务器的低利用率,造成了资源的浪费。针对以上问题,本文重点研究了数据中心初始化时虚拟机放置策略的优化算法。首先,本文确定了虚拟机初始化放置问题的优化目标是在满足用户服务质量的前提下,将整个数据中心的电能消耗和网络开销降低到最小值；其次,本文通过对传统的最大最小蚁群优化算法在信息素初始浓度和信息素更新方式上的改进,提出了一种改进的最大最小蚁群优化算法(M3ACO),将其应用到虚拟机初始化放置问题中,既能够达到最小化电能消耗和网络开销的目的,由于信息素初始化浓度方面的改进使得它也能在收敛速度方面有更好的表现；最后,本文通过实验对M3ACO算法的性能进行验证,最终实验结果表明,该算法在降低电能和网络开销,以及最优解的收敛速度方面都有较好的表现,具有可靠的有效性、稳定性和可扩展性。本文还将M3ACO算法应用到了当前主流的数据中心架构体系中,分析了它的可用性,也分析了这种架构在资源管理上的弊端,然后又将M3ACO算法应用到最新的软件定义数据中心架构体系中,并分析了其可行性和这种应用方式给数据中心的管理和操作带来的便捷。(本文来源于《华东师范大学》期刊2015-04-09）
覃拥[4]（2012）在《医药物流中心WMS系统初始化方案分析》一文中研究指出本文通过对WMS系统初始化操作中的ASN预报方式和WMS直接写入方式的对比分析,指出了WMS系统初始化的基本步骤和应用中需注意的具体问题,以及何种情况下该使用哪种初始化方式。(本文来源于《物流技术与应用》期刊2012年04期）
张世博,周义明[5]（2011）在《一种优化初始化中心的k均值web信息聚类算法》一文中研究指出k-means算法是一种重要的聚类算法,在网络信息处理领域有着广泛的应用。由于k-means算法终止于一个局部最优状态,所以初始类中心点的选择会在很大程度上影响其聚类效果。针对k-means算法所存在的问题,构造了文本集合的相似度矩阵,基于平均相似度集合通过排序迭代优选出了初始中心点。实验表明此算法可以有效减少迭代次数并提高聚类精度,最终获得较好的聚类效果。(本文来源于《北京石油化工学院学报》期刊2011年04期）
刘金岭,冯万利,张亚红[6]（2011）在《初始化簇类中心和重构标度函数的文本聚类》一文中研究指出根据文本集的中心和初始簇的中心,选择一组具有良好区分度的方向构建IMIC坐标系,在该坐标系下构造出各坐标轴的重新标度函数用于提高聚类决策的有效性。算法IMIC经过多次迭代,收敛到最终解。IMIC算法的时间复杂度与K-means保持在同一量级上。实验结果表明,IMIC算法有较好的聚类质量。(本文来源于《计算机应用研究》期刊2011年11期）
熊忠阳,陈若田,张玉芳[7]（2011）在《一种有效的K-means聚类中心初始化方法》一文中研究指出传统K-means算法由于随机选取初始聚类中心,使得聚类结果波动性大;已有的最大最小距离法选取初始聚类中心过于稠密,容易造成聚类冲突现象。针对以上问题,对最大最小距离法进行了改进,提出了最大距离积法。该方法在基于密度概念的基础上,选取到所有已初始化聚类中心距离乘积最大的高密度点作为当前聚类中心。理论分析与对比实验结果表明,此方法相对于传统K-means算法和最大最小距离法有更快的收敛速度、更高的准确率和更强的稳定性。(本文来源于《计算机应用研究》期刊2011年11期）
禹贵辉,潘志斌,乔瑞萍,邹彬[8]（2011）在《基于数据分布特性的聚类中心初始化方法》一文中研究指出文中提出了一种新的基于数据局部和全局分布特性的K-Means初始化方法.算法通过对数据空间进行网格化后统计每个网格中数据点数目,选取具有数目局部最大值的网格,再利用距离优化方法全局的估算出K个初始聚类中心.在人工和真实数据集上,进行了与传统的聚类中心初始化算法的比较.实验结果表明,该算法利用局部最大值网格和距离优化的方法估算的聚类中心能够在保持及改善聚类效果的同时,明显减少迭代次数,提高收敛速度.(本文来源于《微电子学与计算机》期刊2011年11期）
周杨[9]（2011）在《初始化中心点优化的K-means算法》一文中研究指出K-means算法是最常用的基于划分的聚类算法之一,有很多的优点,但也存在着不足。它不仅初始化中心点影响很大,还可能产生局部最优解。本文正是针对这些不足,提出了一种初始化中心点优化的K-means算法,主要初始聚类中心的选择方面进行了改进,并做了改进前后算法的对比实验。结果表明,改进后的算法不但更具稳定性,准确度也高,受孤立点的影响也大大降低。(本文来源于《科技信息》期刊2011年04期）
李春生,王耀南[10]（2010）在《聚类中心初始化的新方法》一文中研究指出k-均值聚类算法易受初始聚类中心的影响而陷入局部最优解.现有聚类中心初始化方法尚未得到广泛认可.本文依据每个类内至少有一个数据稠密区,且处于不同类的数据稠密区比处于同一类的数据稠密区相距更远的假设,在数据集合上构造一棵最小支撑树,应用根树原理在其上搜索数据稠密区并估计其密度,从中选出密度大且足够分离的数据稠密区,以其内的点作为初始聚类中心,得到了一个聚类中心初始化的新方法.将此方法与现有的方法进行比较,仿真实验表明,本文方法性能更优越.(本文来源于《控制理论与应用》期刊2010年10期）
中心初始化论文开题报告
（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：
模糊C均值(FCM)聚类算法能很好地解决不确定问题的分类,但该算法聚类结果却过于依赖初始聚类中心和易陷入局部最优解。本文重点针对基于密度函数的初始聚类中心初始化算法进行分类总结,将密度函数的度量方式归纳为4大类。通过实验对比分析了各种度量方式的优缺点,旨在为研究人员选择适合的密度函数度量方法提供一定的参考。
（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。
中心初始化论文参考文献
[1].王思杰,唐雁.改进的分类数据聚类中心初始化方法[J].计算机应用.2018
[2].郭荣传.基于密度函数的FCM聚类中心初始化研究综述[J].科技广场.2016
[3].任田田.云数据中心中虚拟机初始化放置策略的优化算法及其应用研究[D].华东师范大学.2015
[4].覃拥.医药物流中心WMS系统初始化方案分析[J].物流技术与应用.2012
[5].张世博,周义明.一种优化初始化中心的k均值web信息聚类算法[J].北京石油化工学院学报.2011
[6].刘金岭,冯万利,张亚红.初始化簇类中心和重构标度函数的文本聚类[J].计算机应用研究.2011
[7].熊忠阳,陈若田,张玉芳.一种有效的K-means聚类中心初始化方法[J].计算机应用研究.2011
[8].禹贵辉,潘志斌,乔瑞萍,邹彬.基于数据分布特性的聚类中心初始化方法[J].微电子学与计算机.2011
[9].周杨.初始化中心点优化的K-means算法[J].科技信息.2011
[10].李春生,王耀南.聚类中心初始化的新方法[J].控制理论与应用.2010
标签：模糊K-modes算法; 距离; 密度; 初始聚类中心;