局部密度相关论文
三维激光扫描技术现已广泛应用于逆向工程、精密制造等领域。在点云数据采集的过程中由于受到外界环境、人为操作、设备精度和物体......
针对传统K-means聚类算法对初始聚类中心和离群孤立点敏感的缺陷，以及现有引入密度概念优化的K-means算法均需要设置密度参数或阈值......
文章针对传统SMOTE及BSMOTE过采样方法会导致多数类样本识别率下降的问题，提出基于局部密度的改进BSMOTE算法（LDBSMOTE）。首先，根据样......
密度峰值聚类（DPC）算法是一种基于密度的聚类算法。该算法原理简单、运行高效，可以找到任意非球形类簇。但是该算法存在一些缺陷：首先，......
密度峰值聚类算法的局部密度定义未考虑密度分布不均数据类簇间的样本密度差异影响,易导致误选类簇中心;其分配策略依据欧氏距离通......
基于图卷积神经网络的半监督图分析（GCN）方法已取得成功。然而,该方法忽略了图中节点的某些局部信息,说明GCN数据预处理不够完善,训......
齿轮是制造业中广泛使用的基础性零部件,其齿面的形状误差是齿轮性能的重要评价指标之一,对传动性能和使用寿命有着重要的影响,实......
将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。聚类算法是一种高效的无监督学习方法,被广泛应用于许多......
大数据时代,数据的收集、存储、传输和处理能力正在飞速提升,机器学习正是处理数据时,不可或缺的核心技术.多示例学习是一种重要的......
离群点检测是数据挖掘和数据管理领域中一个非常重要的研究问题，其主要目标是从复杂数据环境中快速准确地检测出数据中不符合正常（期......
支持向量回归(Support Vector Regression,SVR)是模式识别领域一种重要的学习方法，旨在拟合目标数据。因其具有稀疏性，全局最优性且......
离群点识别和聚类分析是数据挖掘研究的重要方面,基于离群点分析的各种数据挖掘算法的研究已经成为研究热门方向。但是目前大多数......
伴随着我国互联网行业的高速发展,电脑、手机等电子设备的数量急剧增加,这种情形下,数据线作为各种电子设备充电的载体,其大规模生......
近邻传播聚类算法(Affinity Propagation,AP)是近年出现的无监督聚类算法,但实际应用中存在两点不足:(1)AP算法默认将所有的数据样......
基于快速搜索和发现密度峰值的聚类算法(简称基于密度峰值的聚类算法)是近年最热门的聚类算法之一。由于其具有可快速找到聚类中心......
现实世界中存在许多不同类型的复杂网络,它们都蕴含着各自内在的社团结构。社团检测算法可帮助我们发现复杂网络的内在结构与拓扑......
随着计算机技术和通信技术地不断发展,各行各业中积累的数据量正在日益增长,数据挖掘作为一种能从大规模数据中发现隐含知识的技术......
现在的我们生活在数据时代,数据已经处在我们身边的每一处,且以爆炸式的的方式在增长,甚至已无法计算,那么如何从这么多数据中获取......
[目的]基于局部密度的LOF算法时间复杂度高,且容易将处于簇边缘的正常对象误判成异常对象,INFLO算法引进反向k-近邻解决LOF算法这......
针对在线模块化神经网络难以实时有效划分样本空间,提出一种改进的在线自适应模块化神经网络.首先,基于距离与密度实时更新样本局......
针对现有单类分类器对目标数据先验信息考虑的不足,在结构单类支持向量机(structured one-class supportvector machine,SOCSVM)中......
