导读:本文包含了类间距离论文开题报告文献综述及选题提纲参考文献，主要关键词:AP聚类,粒度思想,类内距离,类间距离
类间距离论文文献综述
张素智,杨芮,陈小妮,李鹏辉[1]（2018）在《基于类内和类间距离的粗粒度并行AP聚类算法》一文中研究指出近邻传播(Affinity Propagation,AP)聚类是基于数据点间消息传递的算法,主要通过数据间的相似度实现聚类.与传统的聚类方法相比,AP聚类无需事先给定聚类数目就可实现聚类,因此具有快速高效的优点,然而在处理高维复杂数据集时存在随着聚类效率提升而准确度不高的问题.为改善AP聚类算法的效率和精度,提出基于类内和类间距离的粗粒度并行AP聚类算法——IOCAP.首先引入粒度思想将初始数据集划分成多个子集;其次对各子集结合类内和类间距离进行相似度矩阵的改进计算,最后基于MapReduce模型实现改进后的并行AP聚类.在真实数据集上的实验表明,IOCAP算法在大数据集上有较好的适应性,能在保持AP聚类效果的同时有效地提升算法精度.(本文来源于《华中师范大学学报(自然科学版)》期刊2018年06期）
原永朋,游大涛,武相军,魏梦凡,朱萌博[2]（2019）在《类内类间距离在CNN识别心拍类中的应用研究》一文中研究指出心脏疾病严重威胁人类身体健康,心电图(Electrocardiogram,ECG)心拍分类对心脏疾病的临床诊断和自动诊断具有重要意义。现有基于深度学习生成的ECG心拍特征虽然优于基于传统方法生成的心拍特征,但是因ECG中各类间存在着严重的数据不平衡问题,致使现有基于深度学习方法生成的心拍特征的性能仍不甚理想。针对这一问题,以卷积神经网络(Convolutional Neural Network,CNN)为基础,在各类心拍等量数据基础上构建能有效表达各类心拍共性信息的共性CNN模型,以共性CNN模型和最小化类内距离最大化类间距离模型为基础,分别在各类心拍数据上构建能有效反映相应心拍类别倾向性信息的类别CNN模型,综合各心拍类别CNN模型的输出进行识别与分类。在MIT-BIH数据库上的实验结果显示,该方法识别分类心拍的各项指标均达到100%,解决了MIT-BIH数据库中ECG四类心拍自动识别分类的问题。(本文来源于《计算机工程与应用》期刊2019年14期）
张荣杰[3]（2018）在《类内和类间距离分布函数的确定及应用》一文中研究指出类内、类间距离分布函数的研究具有重要的现实意义,本文我们主要利用参数统计的方法来确定类内、类间距离的分布函数。基于类内、类间的分布函数,我们提出了基于类内距离参数估计的文本聚类评价方法,同时确定了基于类内、类间距离比值型(ratio)指标的临界值。首先,文章研究了基于类内距离参数估计的文本聚类评价方法,发现当聚类类别数过小或与真实类别数相同时,该方法是可行的;而且它可以减弱初始类中心的选取对K-means算法的影响,提高聚类结果的准确性。其次,本文对基于类内、类间距离的比值型(ratio)指标的临界值也进行了研究,我们通过实验确定了聚类指标真实值在上、下界范围区间的位置,该位置可以作为评判基于类内、类间距离的比值型(ratio)指标好坏的依据。(本文来源于《山西大学》期刊2018-06-01）
刘璐,吴成茂[4]（2016）在《基于类内类间距离的模糊C-均值聚类分割算法》一文中研究指出针对模糊C均值聚类算法存在仅考虑以类内距离作为算法测度的不足,通过融入聚类中心之间的类间距离,提出一种将类内和类间距离相结合的模糊C-均值聚类算法并将其应用于图像分割。在目标函数中将类内距离与类间距离之差作为样本聚类依据,使其考虑到类内紧密度与类间离散度,通过调节有关参数使类内紧密度和类间离散度达到最优值,提高图像分割的准确性和鲁棒性。大量人工合成图像和实际遥感图像分割测试结果表明,改进的类内类间聚类算法是有效的,尤其是对噪声较大的图像进行分割时,其效果明显优于其它模糊聚类算法分割效果。(本文来源于《计算机工程与设计》期刊2016年06期）
刘璐[5]（2016）在《基于类内类间距离的模糊聚类算法及图像分割应用》一文中研究指出图像分割是一种重要的图像技术,其本质是像素聚类问题,它是将图像不同区域按照特殊涵义划分,并且不同区域是互相不相关的,每个特定区域具有一致性。随着模式分析与机器智能技术不断发展,图像分割引起了众多学者的广泛关注与研究,已成功应用于模式识别、机器学习、对地遥感观测、生物医学等领域。由于图像来源千差万别且结构复杂多变,未有普适性的分割模型和方法,针对不同类型图像提出了相应的分割方法,以便获得满意的分割效果。聚类技术在目前来看是研究较为广泛的图像分割算法中较为普遍应用的一类方法,长期以来备受相关领域学者高度重视。在众多聚类技术中,模糊C-均值聚类算法(FCM)是一种采用迭代法实现样本归类的快速且存储空间消耗少的重要方法,已成为解决图像分割问题较为实用的分割技能。但是,由于该聚类分割算法没有考虑到像素与其邻域像素之间的相关性,不利于像素空间分布较为复杂的遥感和医学等图像分割需要。后来,学者们提出了大量其他模糊聚类分割算法,但是该类分割算法大多是将样本点到聚类中心的距离即类内距离作为算法的测度,但该类分割算法只考虑了类内之间的距离,没有考虑类间的距离,使得对于某些图像的分类不够准确,且噪声较大。因此,本文研讨了基于类内类间距离的FCM算法及其对于图像分割的应用。主要工作如下：1.针对以样本与聚类中心之间类内距离为基础的模糊C-均值聚类方法存在的不足,通过融入聚类中心之间的类间距离且提出一种类内和类间距离相结合的FCM算法且将其应用于图像分割。该算法在目标函数中将类内距离与类间距离之差作为样本聚类依据,使其不仅考虑到类内紧密度而且同时也考虑到类间离散度,通过调节有关参数使得类内紧密度和类间离散度均达到最优值,从而提高了图像分割的准确性和鲁棒性。通过大量不同种类图像分割测试结果证实,该文所提出的新类内类间聚类分割方法是有效的,尤其是对于噪声较大图片进行分割时,其效果明显优于其他模糊聚类方法分割效果。2.为了进一步提高噪声图像分割的抗噪性和准确性,提出一种结合类内距离和类间距离的改进可能聚类新方法并且将它运用到图像分割中。该算法采用可能测度描述隶属度,避免了FCM算法中要求样本点对于每个类的隶属程度的总和值为1的概率约束,使其隶属度适用于表征“典型性”和“兼容性”,且将类间距离引入聚类目标函数使得类内紧密度和类间离散度均达到最优化,以便对不同的聚类结构有很好的稳定性和抵抗噪声的能力。通过人工合成图像和实际遥感图像分割测试结果表明,该文所建议的改进可能聚类算法是有效的,相比其他聚类算法能获得更满意的分割效果。3.针对现有模糊C-均值聚类方法仅考虑样本与聚类中心之间差异程度的不足,提出类内和类间距离相融合的FCM算法并将其应用于图像分割。首先将欧式空间的类内和类间距离相结合设计一种新的样本聚类测度并构造了相应的FCM目标函数；其次利用拉格朗日乘子法获取其迭代求解所对应的隶属度和聚类中心表达式,并对其收敛性问题进行了研究；再次将其推广至再生希尔伯特核空间并获得核空间的类内类间距离FCM算法；最后将其用于图像分割并给出其快速分割算法。通过实验表明,该文所提出的基于类内和类间距离的核空间FCM分割算法对于图像分割具有较强的鲁棒性和准确性,对比其他聚类分割算法能得到较满意的结果。(本文来源于《西安邮电大学》期刊2016-06-01）
田秀华,刘红光[6]（2015）在《基于类内类间距离的说话人特征优化》一文中研究指出为了提高说话人识别的准确率,对常用说话人特征优化算法进行研究。针对加权系数法用升半正弦函数求加权系数没有考虑特征参量具体情况的缺点,提出一种基于类内、类间距离求加权系数的说话人特征优化算法。此算法对于具体的说话人识别选择更加适合的加权系数。对于各种说话人特征优化算法进行仿真实验,结果表明,改进算法对于说话人特征优化的效果更好,识别率可以达到非常满意的效果。(本文来源于《计算机应用与软件》期刊2015年11期）
王飞[7]（2014）在《基于类间距离最大化的特征抽取方法研究》一文中研究指出随着因特网的普及和海量在线电子文本的广泛应用，文本数量呈爆炸性趋势增长。文本分类作为组织和管理海量文本信息的重要技术在很多领域都得到了非常广泛的应用，已经成为数据挖掘领域的一个重要研究热点。然而，文本数据的高维特性一直是困扰文本分类效果的一个重要难题。巨大的特征空间不仅会增加计算的复杂度，而且还会影响文本分类算法的性能和泛化能力，造成“过度学习”现象。因此，如何对高维特征进行有效的降维已经成为影响文本分类算法性能的关键步骤。一般而言，特征选择和特征抽取是常用的两种特征降维方法。特征选择的方法是指通过构造函数对原始特征空间中的特征进行逐一评分，然后按特征得分的高低顺序依次选取有效的特征，具有过程简单和操作简便等特点。相比较而言，特征抽取是通过映射的方法将原始特征进行重新组合从而得到一组新的特征，然后针对原始特征的组合情况进行选择，能够在一定程度上解决同义词和多义词问题。然而在实际应用中，由于特征选择方法忽略了词语的同义和近义表述现象，导致文本分类性能不高，于是本文针对特征抽取方法进行研究，提出了一种基于类间距离最大化的特征抽取方法。该方法通过投影后不同类别文档间的距离最大化来构建优化函数，并通过拉格朗日乘子法来获取映射矩阵。以上方法在复旦大学中文语料库上进行试验，实验表明采用该特征抽取方法后，文本分类的准确率与目前基于卡方统计的特征选择方法相比得到显着提升。(本文来源于《江西师范大学》期刊2014-06-01）
李志勇,张丽辉,孙建洪[8]（2014）在《一种引入遗传算法的最大类间距离法在脑部图像分割中的运用》一文中研究指出最大类间距离法已经被证明是一种较好的阈值化方法[1],但在用于双阈值或多阈值分割时存在实现效率较低等问题,而遗传算法高效的随机搜索能力正好能弥补其不足.根据脑部图像分为灰质、白质等叁类的特点,通过把遗传算法引入最大类间距离法来实行对脑部图像的分割,实验验证取得了较好的分割效果.(本文来源于《红河学院学报》期刊2014年02期）
谢勤岚,胡晓勤[9]（2009）在《一种基于类内类间距离的ICA特征选择方法》一文中研究指出独立分量分析(ICA)可以实现特征提取,但不能直接用于特征选择。对数据进行ICA后得到混合矩阵和独立分量,独立分量可以作为特征矢量,混合矩阵可以用于进行特征选择。首先,使用一种距离度量来计算混合矩阵每一类的类内类间距离比;然后对每一类按该比值由小到大重新排列混合矩阵和独立分量,保留权重矩阵中类间类内距离比大的列,及其对应的特征向量;最后对这些特征向量使用遗传算法选择最优特征组。两个实验验证了该方法的有效性。(本文来源于《现代电子技术》期刊2009年21期）
郑军,王巍,杨武,杨永田[10]（2009）在《基于类间距离参数估计的文本聚类评价方法》一文中研究指出文本聚类评价算法运用统计学当中的参数估计方法,根据类间距离信息对其分布规律中的数字特征进行参数估计。基于估计的结果确定类间距离合理的取值范围,将不合理的聚类进行调整,并通过聚类有效性判断函数最终确认调整结果。该算法有效地提高聚类结果的准确性,并为聚类算法的选择与分析提供一种可行的方法。实验结果证明了其可行性与有效性。(本文来源于《计算机工程》期刊2009年09期）
类间距离论文开题报告
（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：
心脏疾病严重威胁人类身体健康,心电图(Electrocardiogram,ECG)心拍分类对心脏疾病的临床诊断和自动诊断具有重要意义。现有基于深度学习生成的ECG心拍特征虽然优于基于传统方法生成的心拍特征,但是因ECG中各类间存在着严重的数据不平衡问题,致使现有基于深度学习方法生成的心拍特征的性能仍不甚理想。针对这一问题,以卷积神经网络(Convolutional Neural Network,CNN)为基础,在各类心拍等量数据基础上构建能有效表达各类心拍共性信息的共性CNN模型,以共性CNN模型和最小化类内距离最大化类间距离模型为基础,分别在各类心拍数据上构建能有效反映相应心拍类别倾向性信息的类别CNN模型,综合各心拍类别CNN模型的输出进行识别与分类。在MIT-BIH数据库上的实验结果显示,该方法识别分类心拍的各项指标均达到100%,解决了MIT-BIH数据库中ECG四类心拍自动识别分类的问题。
（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。
类间距离论文参考文献
[1].张素智,杨芮,陈小妮,李鹏辉.基于类内和类间距离的粗粒度并行AP聚类算法[J].华中师范大学学报(自然科学版).2018
[2].原永朋,游大涛,武相军,魏梦凡,朱萌博.类内类间距离在CNN识别心拍类中的应用研究[J].计算机工程与应用.2019
[3].张荣杰.类内和类间距离分布函数的确定及应用[D].山西大学.2018
[4].刘璐,吴成茂.基于类内类间距离的模糊C-均值聚类分割算法[J].计算机工程与设计.2016
[5].刘璐.基于类内类间距离的模糊聚类算法及图像分割应用[D].西安邮电大学.2016
[6].田秀华,刘红光.基于类内类间距离的说话人特征优化[J].计算机应用与软件.2015
[7].王飞.基于类间距离最大化的特征抽取方法研究[D].江西师范大学.2014
[8].李志勇,张丽辉,孙建洪.一种引入遗传算法的最大类间距离法在脑部图像分割中的运用[J].红河学院学报.2014
[9].谢勤岚,胡晓勤.一种基于类内类间距离的ICA特征选择方法[J].现代电子技术.2009
[10].郑军,王巍,杨武,杨永田.基于类间距离参数估计的文本聚类评价方法[J].计算机工程.2009