1. 您所在位置：
  2. 网站首页
  3. 文档分类
  4. 计算机
  5. 数据挖掘与模式识别

基于密度峰值的聚类算法优化研究.docxVIP

基于密度峰值的聚类算法优化研究.docx

    1. 1、本文档共9页，其中可免费阅读3页，需付费70金币后方可阅读剩余内容。
    2. 2、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。
    3. 3、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
    4. 4、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
    5. 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
    6. 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
    7. 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
    8. 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
    查看更多

    基于密度峰值的聚类算法优化研究

    一、引言

    随着大数据时代的到来，聚类算法作为无监督学习的重要手段，在数据挖掘和机器学习中扮演着至关重要的角色。其中，基于密度峰值的聚类算法（DensityPeakClustering，DPC）因其独特的优势，如简单、高效和适用于各种形状的聚类等，受到了广泛关注。然而，DPC算法在实际应用中仍存在一些不足，如对噪声敏感、参数选择困难等。因此，本文旨在研究DPC算法的优化方法，以提高其性能和适应性。

    二、相关工作

    DPC算法的核心思想是通过计算样本点之间的局部密度和距离来确定聚类中心。在过去的几年里，许多学者对DPC算法进行了研究，提出了各种改进方法。然而，这些

    您可能关注的文档

    最近下载

    文档评论（0）

    177****9635 + 关注
    实名认证
    文档贡献者

    该用户很懒，什么也没介绍

    咨询Ta 进入空间

    1亿VIP精品文档

    更多 >

    相关文档

    更多 >