导读:本文包含了改进密度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:力导向模型,局部密度,聚类,边介数
改进密度算法论文文献综述
刘风剑,刘向阳[1]（2019）在《基于改进力导向模型和局部密度的聚类算法》一文中研究指出在没有先验知识的前提下,聚类是分析样本集中不同类簇的有效方式。文中提出了一种基于改进力导向模型的聚类算法。为实现样本数据预处理的类内聚集和类间分离效果,设计了基于样本点局部密度和样本间距离的吸引力计算方法、基于样本点近邻连通图中边的介数的排斥力计算方法。实验结果表明,文中算法能够使得类内样本点更加聚集、类间样本点更加分离,可以有效地提高聚类的正确率。(本文来源于《信息技术》期刊2019年10期）
陈胜发,贾瑞玉[2]（2019）在《基于密度权重Canopy的改进K-medoids算法》一文中研究指出为了提高K-medoids算法的精度和稳定性,并解决K-medoids算法的聚类数目需要人工给定和对初始聚类中心点敏感的问题,提出了基于密度权重Canopy的改进K-medoids算法。该算法首先计算数据集中每个样本点的密度值,选择密度值最大的样本点作为第1个聚类中心,并从数据集中删除这个密度簇;然后通过计算剩下样本点的权重,选择出其他聚类中心;最后将密度权重Canopy作为K-medoids的预处理过程,其结果作为K-medoids算法的聚类数目和初始聚类中心。UCI真实数据集和人工模拟数据集上的仿真实验表明,该算法具有较高的精度和较好的稳定性。(本文来源于《计算机工程与科学》期刊2019年10期）
刘悦婷,张燕,孙伟刚[3]（2019）在《基于局部密度改进的SVM不平衡数据集分类算法》一文中研究指出针对不平衡数据集数据分布不均匀及边界模糊的特点,提出基于局部密度改进的SVM不平衡数据集分类算法.该算法先将多数类划分成多个子类,并依据子类内每个样本的局部密度选出边界区域、靠近边界区域的与少数类数目相等的样本,与少数类完成SVM初始分类;用所得的支持向量机和剩余的多数类样本对初始分类器进行迭代优化.结果表明,与WSVM,ALSMOTE-SVM和基本SVM算法相比,该算法分类效果良好,能有效改进SVM算法在分布不均匀及边界模糊数据集上的分类性能.(本文来源于《宁夏大学学报(自然科学版)》期刊2019年03期）
孙绵,侯再恩,韩肖赟[4]（2019）在《基于多密度峰值的CFSFDP算法改进》一文中研究指出CFSFDP(Clustering by Fast Search and Find of Density Peaks)算法在单个簇中存在多个密度峰值时,使用决策图难以确定聚类中心数量,导致聚类效果不佳的情况。对此提出将所有密度大于当前位置的数据点以及与当前位置的最小距离各归为一个集合,并对高斯核求得的局部密度排序。当存在多个密度峰值时,只选择第一个点作为聚类中心,同时利用归一化的γ值分布图确定聚类中心数。人工数据集和UCI数据集的数值模拟实验表明,改进CFSFDP算法在调整兰德系数、同质性、完整性、V-measure和标准互信息评分等各指标值均优于CFSFDP算法、DBSCAN算法和k-means算法。该算法弥补了CFSFDP算法对多密度峰值不能很好聚类的缺陷,适用于对较低维度的任意形数据集的聚类。(本文来源于《计算机应用与软件》期刊2019年08期）
江平平,曾庆鹏[5]（2019）在《一种基于网格划分的密度峰值聚类改进算法》一文中研究指出针对密度峰值聚类(Density Peak Clustering, DPC)算法具有时空复杂度高而降低了对大规模数据集聚类的有效性,以及依靠决策图人工选取聚类中心等缺点,提出基于网格的密度峰值聚类(G-DPC)算法。采用基于网格的方式进行网格划分,用网格代表点替换网格单元整体;对各代表点聚类,通过改进的自适应方法选出核心网格代表点作为聚类中心;将剩余点归类,剔除噪声点。仿真实验验证了该算法对大规模数据集和高维数据集聚类的有效性。(本文来源于《计算机应用与软件》期刊2019年08期）
袁逸铭,刘宏志,李海生[6]（2019）在《基于密度峰值的改进K-Means文本聚类算法及其并行化》一文中研究指出针对K均值(K-means)聚类算法进行文本聚类时随机选取初始聚类中心点的问题,提出一种基于密度峰值进行初始聚类中心点选取的适用于文本聚类的K-means算法(DPMCSKM),为了更好地适应大规模聚类计算的要求,设计并实现了基于MapReduce的DPMCSKM并行化算法。实验结果表明,DPMCSKM算法可以有效地进行文本聚类,与K-means、基于密度峰值的快速搜索聚类算法选取初始簇中心点的K-means以及多簇球形K-means算法相比在聚类质量上均有一定的提升,在收敛速度上也有较好的表现;DPMCSKM并行化算法在可扩展性上,具有较好的加速比。(本文来源于《武汉大学学报(理学版)》期刊2019年05期）
吴辰文,刘晓光,魏立鑫[7]（2019）在《结合蝙蝠算法改进的密度峰值聚类算法》一文中研究指出密度峰值聚类算法(Denisity peaks clustering,DPC)具有聚类速度快、实现简单、参数较少等优点,但该算法的截断距离参数需要人工干预,并且参数的选取对于该算法的结果影响较大。为了解决这一缺陷,该文提出了结合蝙蝠算法改进的密度峰值聚类算法。该算法利用蝙蝠算法较强的寻优能力,寻找合适的截断距离取值,同时对蝙蝠算法的速度更新公式加入了自适应惯性权重来加强全局搜索能力。该算法选择多种数据集进行了实验仿真,并与其他同类算法进行对比。经过对比验证,结合蝙蝠算法改进的密度峰值聚类算法在聚类准确率上要明显优于其他算法。(本文来源于《西北大学学报(自然科学版)》期刊2019年04期）
杨鑫刚[8]（2019）在《密度矩阵恢复的一种改进FPCA算法》一文中研究指出矩阵恢复是一项非常有意义的工作。针对量子力学中的密度矩阵,本文在近似奇异值分解基础上的不动点迭代算法(FPCA)的基础上,提出了更适合的改进算法。从数值实验来看,取得了很好的效果。(本文来源于《电脑知识与技术》期刊2019年20期）
钱方磊,王秀敏,常虹[9]（2019）在《基于密度进化理论改进的LDPC码偏移最小和算法》一文中研究指出针对目前LDPC码偏移最小和算法的偏移因子的选取方式不够准确灵活等问题,提出了一种基于密度进化理论改进的最小和算法,称为DOMS算法。该算法首先根据密度进化理论计算BP算法和MS算法在每次迭代译码过程中,校验节点传递给变量节点的信息的概率质量函数,然后由两者的差值得出每次迭代对应的偏移因子β_m,m表示第m次迭代。再对偏移因子序列β_m做加权平均处理得到新的偏移因子β。通过使用该偏移因子,DOMS算法与经典的OMS算法相比,仿真结果表明大约可以取得0.2 dB的增益。此外,当对比与BP算法译码性能相近的LMMSE Min Sum算法时,DOMS算法在获得相似译码性能的基础上,可以节省大约28.29%的逻辑元器件和34.33%的内存。(本文来源于《电子器件》期刊2019年03期）
涂晓敏[10]（2019）在《基于密度的局部离群点检测算法的改进》一文中研究指出近年来,科学技术发展越来越快,信息知识的传播也更加广泛,数据挖掘这门技术在各方面得到了推广。数据挖掘为了在大规模的、不确定的数据集中,找出人们事先不知道的,但蕴含意义的知识。离群点检测作为数据挖掘的一个重要组成部分,主要用来找出显着偏离或不满足一般对象行为特征的对象。目前,离群点检测在生活中各领域已经得到了广泛地应用。传统的离群点检测算法在一定程度上只能检测出适用自身算法的异常数据对象,因此均存在一些缺陷,如检测效率低、检测精度差等。本文针对传统的基于密度算法的执行效率较低,并只在一定规模的数据集中有效,遇到大规模数据集时,通常查准率较低,重复计算的步骤过多等问题,从而提出了基于方形邻域和裁剪因子的离群点检测方法。首先,采用方形邻域,吸取网格算法的思想,以扩张的方形邻域代替网格分割,快速地排除聚类点,避免了网格算法的“维灾”问题。其次,为了提高算法的精确度,引入裁剪因子的概念对候选离群点集进行精选。然后,给出了新的局部稀疏指数来评估对象的离群程度。为了验证改进算法的性能,实验选取真实数据集和合成数据集进行仿真,并与传统的离群点检测算法进行比较分析。实验结果表明,改进的算法能有效的识别离群点,并在执行效率上有明显的优势。最后,将改进算法应用到网络入侵检测系统中。分析了KDDCUP99数据的属性、攻击类型和分布,并将入侵数据进行预处理,通过实验说明了算法在入侵检测方面具有良好的应用前景。(本文来源于《沈阳工业大学》期刊2019-05-29）
改进密度算法论文开题报告
（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：
为了提高K-medoids算法的精度和稳定性,并解决K-medoids算法的聚类数目需要人工给定和对初始聚类中心点敏感的问题,提出了基于密度权重Canopy的改进K-medoids算法。该算法首先计算数据集中每个样本点的密度值,选择密度值最大的样本点作为第1个聚类中心,并从数据集中删除这个密度簇;然后通过计算剩下样本点的权重,选择出其他聚类中心;最后将密度权重Canopy作为K-medoids的预处理过程,其结果作为K-medoids算法的聚类数目和初始聚类中心。UCI真实数据集和人工模拟数据集上的仿真实验表明,该算法具有较高的精度和较好的稳定性。
（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。
改进密度算法论文参考文献
[1].刘风剑,刘向阳.基于改进力导向模型和局部密度的聚类算法[J].信息技术.2019
[2].陈胜发,贾瑞玉.基于密度权重Canopy的改进K-medoids算法[J].计算机工程与科学.2019
[3].刘悦婷,张燕,孙伟刚.基于局部密度改进的SVM不平衡数据集分类算法[J].宁夏大学学报(自然科学版).2019
[4].孙绵,侯再恩,韩肖赟.基于多密度峰值的CFSFDP算法改进[J].计算机应用与软件.2019
[5].江平平,曾庆鹏.一种基于网格划分的密度峰值聚类改进算法[J].计算机应用与软件.2019
[6].袁逸铭,刘宏志,李海生.基于密度峰值的改进K-Means文本聚类算法及其并行化[J].武汉大学学报(理学版).2019
[7].吴辰文,刘晓光,魏立鑫.结合蝙蝠算法改进的密度峰值聚类算法[J].西北大学学报(自然科学版).2019
[8].杨鑫刚.密度矩阵恢复的一种改进FPCA算法[J].电脑知识与技术.2019
[9].钱方磊,王秀敏,常虹.基于密度进化理论改进的LDPC码偏移最小和算法[J].电子器件.2019
[10].涂晓敏.基于密度的局部离群点检测算法的改进[D].沈阳工业大学.2019