“means”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果4169个，建议您升级VIP下载更多相关专利

[发明专利]一种K-means聚类的初值选择方法-CN201510829785.8在审
发明人：卢志茂;范冬梅;姚念民;谭国真;高振国 -专利权人：大连理工大学
申请日： 2015-11-25 - 公布日： 2016-03-30 - 主分类号： G06K9/62 文献下载
摘要：一种K-means聚类的初值选择方法，解决了K-means容易陷入局部极值、聚类结果不稳定、严重依赖初始聚类中心的问题。K-means聚类的初值通常是采用抽样的方法从数据集中获取。为了提高K-means的稳定性，需要为K-means提供质量更好的抽样。传统的解决方法计算复杂度偏高，而且总是拒绝最优的抽样结果。通过多次抽样，选择评价指标相对最优的抽样结果作为K-means的初值。新的K-means初值选择方法计算复杂度低，能够很容易捕捉到多次采样中随机出现的最好结果，从而为K-means提供相对更好的初值所需的数据对象，有效降低K-means陷入局部最优的概率，最终提高K-means
一种 means 初值选择方法

[发明专利]一种基于密度Canopy的K-means聚类方法-CN201911127104.8在审
发明人：龚昱文;张承畅;余洒;张华誉;徐余 -专利权人：重庆邮电大学
申请日： 2019-11-18 - 公布日： 2020-04-28 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于密度Canopy的K‑means聚类方法，以密度Canopy聚类作为K‑means算法的预处理步骤，通过计算数据集的样本密度、簇内样本平均距离以及簇间距离，选取密度最大样本点为第一类聚类中心，并从数据集中去除初始密度簇；定义样本密度、簇内样本平均距离的倒数和簇间距离三者乘积为权值积，在余下数据集中以权值积最大依次确定聚类中心，直到数据集为空集，并把密度Canopy聚类结果作为K‑means选取UCI上的数据集对算法的有效性进行比较验证，结果表明：相比传统K‑means算法、基于Canopy的K‑means算法、半监督K‑means++算法和K‑means‑u*算法，本发明提出的基于密度Canopy的K‑means算法的聚类准确率均有所提高。
一种基于密度 canopy means 方法

[发明专利]一种基于遗传算法与K-Means结合的异常流量检测方法-CN202210472706.2在审
发明人：吴礼发;刘忠平 -专利权人：南京邮电大学
申请日： 2022-04-29 - 公布日： 2022-08-09 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于遗传算法与K‑Means结合的异常流量检测方法，对遗传算法中的选择、交叉重组和变异步骤进行改进，生成初始种群，然后将其与K‑Means算法相结合获得K‑Means的局部最优解，重复上述步骤直至满足K‑Means算法的终止条件，输出一个适应度值最高的个体作为最优解作为异常流量检测的结果，本发明通过对遗传算法进行改进，并将其与K‑Means算法相结合，使得算法能够自动生成k值，并优化了聚类中心的选取有效解决了K‑Means算法对初始聚类中心值k的依赖性。
一种基于遗传算法 means 结合异常流量检测方法

[发明专利]基于二次K-Means聚类的室内位置指纹定位方法-CN201710413527.0有效
发明人：解培中;陶育仁;李汀 -专利权人：南京邮电大学
申请日： 2017-06-05 - 公布日： 2020-07-03 - 主分类号： G01C21/20 文献下载
摘要：本发明公开了一种基于二次K‑Means聚类的室内位置指纹定位方法，对位置指纹数据库进行一次k‑means聚类，确定聚类完成后最终的聚类中心；对位置指纹数据库进行二次k‑means聚类，确定聚类完成后最终的聚类中心；计算待定位点到一次k‑means聚类完成后最终的聚类中心的欧氏距离，计算两两欧式距离之间的差值的绝对值，若绝对值≤θ，则该待定位点基于二次k‑means聚类方法实现定位，否则基于一次k‑means聚类方法实现定位；本专利方法基于K‑Means聚类算法的二次聚类位置指纹匹配方法所得的结果，不受聚类算法边界参考点相似度高的影响，具有较高的准确性；方法简单，易于实现，具有良好的适用性。
基于二次 means 室内位置指纹定位方法

[发明专利]一种基于改进K-means聚类算法的缺失数据填充方法-CN201810597825.4在审
发明人：蔡延光;陈东;蔡颢 -专利权人：广东工业大学
申请日： 2018-06-11 - 公布日： 2018-11-20 - 主分类号： G06K9/62 文献下载
摘要：本发明属于数据处理领域，更具体地，涉及一种基于改进K‑means聚类算法的缺失数据填充方法，采用改进的K‑means聚类算法对数据进行分类，再采用期望最大值法对缺失数据进行填充。具体步骤：S1.提出一种人工鱼群算法，确定K‑means聚类算法的K值；S2.提出一种改进的K‑means聚类算法；S3.设计了K‑means聚类算法的目标函数f(x)；S4.提出一种改进的期望最大值法本发明提出的一种基于改进K‑means聚类算法的缺失数据填充方法以较高的速度和精度对缺失数据进行填充，填充缺失数据效果良好。
缺失数据聚类算法填充改进最大值法人工鱼群算法数据处理领域目标函数数据集中期望算法分类

[发明专利]基于K值估计的K-Means水下图像背景分割改进算法-CN201910457591.8在审
发明人：陈巍;郭铁铮;陈国军;夏细明 -专利权人：南京工程学院
申请日： 2019-05-29 - 公布日： 2019-09-24 - 主分类号： G06T7/11 文献下载
摘要：本发明公开了基于K值估计的K‑Means水下图像背景分割改进算法，属于水下图像背景分割算法技术，包括以下处理步骤：S1、色彩调整；S2、灰度级量化：(a)K‑Means灰度级量化；(b)基于K‑Means算法的图像灰度级量化；(c)改进基于K‑Means算法的图像灰度级量化；S3背景判决与分割：(a)基于图像背景色彩特征的背景判决；(b)基于图像背景频域特征的背景判决；(c)基于图像背景空域特征的背景判决；(d)背景分割，通过估计K‑Means分类的K值，即分类个数及中心，改进了基于K‑Means算法的水下图像背景分割操作，从而提高了水下图像背景分割算法的准确性。
背景分割算法水下图像图像背景量化判决图像灰度级灰度级改进空域特征频域特征色彩调整色彩特征算法技术分类分割

[发明专利]隐私保护k-means聚类方法、设备、介质、终端-CN202110823353.1在审
发明人：刘雪峰;张思君;雷静 -专利权人：西安电子科技大学
申请日： 2021-07-21 - 公布日： 2021-11-09 - 主分类号： G06F21/62 文献下载
摘要：本发明属于信息隐私保护技术领域，公开了一种隐私保护k‑means聚类方法、设备、介质、终端，隐私保护k‑means聚类方法包括：采集并加密原始数据，利用两个服务器处理加密后的数据，通过K‑means算法将数据分类本发明能够整个K‑means聚类算法的过程中，很好的保护用户的隐私信息，且计算成本和时间两个方面都是友好的。本发明的隐私保护k‑means聚类方法具备用户友好性、安全性与正确性以及有效性。本发明提出的高效的隐私保护k‑means聚类方法是高效的，均为线性复杂度，在解决了用户信息隐私问题的情况下又不影响正确性和效率。
隐私保护 means 方法设备介质终端

[发明专利]一种基于K-Means和BP神经网络的路感模拟方法-CN202011570757.6有效
发明人：赵蕊;蔡锦康;邓伟文;丁娟 -专利权人：浙江天行健智能科技有限公司
申请日： 2020-12-26 - 公布日： 2021-09-24 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了基于K‑Means和BP神经网络的路感模拟方法，包括以下步骤：进行实车试验并采集试验数据；处理试验数据；使用K‑Means聚类算法对试验数据进行聚类并划分为聚类后训练数据集和聚类后测试数据集；使用BP神经网络算法训练基于K‑Means和BP神经网络的路感模型；测试基于K‑Means和BP神经网络的路感模型；根据所得的基于K‑Means和BP神经网络的路感模拟模型进行路感模拟。本发明使用真实车辆采集试验数据，采用基于K‑Means聚类算法和BP神经网络算法的数据驱动建模方法进行路感模拟模型建模，建模时间短，模型计算速度快，具有明显的高精度和实时性的优势。
一种基于 means bp 神经网络模拟方法

[发明专利]基于K-Means和CART回归树的路感模拟方法-CN202011570750.4有效
发明人：赵蕊;蔡锦康;邓伟文;丁娟 -专利权人：浙江天行健智能科技有限公司
申请日： 2020-12-26 - 公布日： 2022-03-29 - 主分类号： B62D6/00 文献下载
摘要：本发明公开了基于K‑Means和CART回归树的路感模拟方法，包括以下步骤：进行实车路采试验并采集试验数据；试验数据预处理；使用K‑Means聚类算法对试验数据进行聚类；划分训练数据集和测试数据集；使用CART回归树算法训练基于K‑Means和CART回归树的路感模拟模型；测试基于K‑Means和CART回归树的路感模拟模型；根据所得的基于K‑Means和CART回归树的路感模拟模型进行路感模拟。本发明使用真实车辆采集试验数据，采用K‑Means聚类算法和CART回归树算法进行路感模拟模型建模，建模时间短，模型计算速度快，本发明所得到的路感模拟模型精度高，实时性好，克服了现有技术的缺陷。
基于 means cart 回归模拟方法

[发明专利]基于并行改进的K-means算法的大数据文本聚类方法及系统-CN201911393493.9在审
发明人：李雷孝;周成栋;王慧;马志强;王永生 -专利权人：内蒙古工业大学
申请日： 2019-12-30 - 公布日： 2020-05-15 - 主分类号： G06F16/35 文献下载
摘要：本发明属于文本聚类技术领域，尤其涉及基于并行改进的K‑means算法的大数据文本聚类方法及系统，通过Canopy中心点选取算法和K‑means基于距离的聚类算法相结合的SWCK‑means文本聚类算法处理将低维度的大数据文本数据进行聚类，本发明解决了现有技术存在由于K‑means算法没有最优化或局部优化处理，从而导致算法的聚类的准确率和效率低下的问题，具有提高了K‑means算法的聚类的准确率和效率、减少文本的维度、提高聚类的效果以及并行化设计的有益技术效果
基于并行改进 means 算法数据文本方法系统

[发明专利]一种实现K‑means聚类的方法及装置-CN201410005652.4有效
发明人：李傲 -专利权人：浪潮（北京）电子信息产业有限公司
申请日： 2014-01-06 - 公布日： 2017-01-25 - 主分类号： G06F17/30 文献下载
摘要：本申请公开了一种实现K‑means聚类的方法及装置，包括对聚类数据进行随机抽样得到样本集，样本集与聚类数据满足预先设置的相似度数值；利用获得的样本集形成K个集群的层次聚类，将层次聚类的K个集群的质心作为K‑means聚类的初始质心；根据获取的K‑means初始质心进行K‑means聚类。本发明通过选取需要数量的聚类集样本进行层次聚类，以获取层次聚类的质心作为K‑means聚类方法的初始质心，使K‑means聚类方法不受初始质心影响。
一种实现 means 方法装置

[发明专利]一种基于K-means和LDA双向验证的网络行为习惯聚类方法-CN201610565749.X有效
发明人：朱全银;辛诚;李翔;许康;潘舒新;孙青怡;周泓;严云洋;胡荣林;冯万利;王留洋;王海云;袁媛;唐海波 -专利权人：淮阴工学院
申请日： 2016-07-19 - 公布日： 2019-06-11 - 主分类号： G06F16/35 文献下载
摘要：本发明公开了一种基于K‑means和LDA的双向验证的网络行为习惯聚类方法，本发明利用人员上网记录中的网页属性、关键词和频数，结合K‑means算法、LDA文档主题提取模型和退火算法，先对全体人员‑标签‑频率集、人员浏览记录‑人员‑关键词集进行K‑means算法聚类和LDA文档主题提取模型生成，存储计算中间结果，之后使用退火算法将K‑means和LDA进行双向验证，计算全局最佳主题‑分类标签序列，以此为依据优化网络行为习惯聚类的结果，K‑means和LDA双向验证提高了对人员‑分类标签的敏感度，退火算法能够提高优化聚类结果的效率，进而提高聚类准确性。
一种基于 means lda 双向验证网络行为习惯方法

[发明专利]基于K-means算法的课程信息确定方法、装置、设备及存储介质-CN202010143221.X在审
发明人：黄跃鹏 -专利权人：中国平安人寿保险股份有限公司
申请日： 2020-03-04 - 公布日： 2020-07-31 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了基于K‑means算法的课程信息确定方法、装置、设备及存储介质，所述方法部分包括：获取所有用户的应用工具的使用习惯数据，并将所述应用工具的使用习惯数据作为样本数据；采用基于密度的聚类算法DBSCAN对样本数据进行聚类，得到样本数据的聚类数据簇，并剔除所述聚类数据簇的离散样本数据，得到第一数据簇；将第一数据簇作为K‑means算法的输入数据，将预设K值作为K‑means算法的K值，根据K‑means该基于K‑means算法的课程信息确定方法结合了基于密度的聚类算法DBSCAN，并剔除了部分离群点，可使K‑means在选取初始聚类中心点以及初期迭代中心点时减少了离群点的影响，可有效提升聚类效果。
基于 means 算法课程信息确定方法装置设备存储介质

[发明专利]一种面向高维数据基于自适应鲁棒特征表示的K-means聚类算法-CN202110085918.0在审
发明人：张娜;丁宏强;王妍 -专利权人：安徽大学
申请日： 2021-01-22 - 公布日： 2021-05-18 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种面向高维数据基于自适应鲁棒特征表示的K‑means聚类算法，包括如下步骤：A)、把特征表示过程和K‑means聚类过程同时融于一个算法模型中，实现了同时对高维数据数据进行特征表示和K‑means，通过固定其它不相关的变量，去除目标函数中的不相关项，得到关于优化变量的解；C)、由于特征表示后的数据去除了原始高维数据中大量冗余、噪声和不相关的特征，具有最合适的数据特征和最有价值的信息，所以，K‑means聚类算法应用在特征表示后的数据上大大提高了K‑means聚类算法的性能，解决了K‑means聚类算法在面向现实世界中高维数据聚类性能降低的问题。
一种面向数据基于自适应特征表示 means 算法

[发明专利]一种云制造资源集群k-means聚类方法-CN201810907303.X在审
发明人：苑明海;周灼;蔡仙仙;俞红焱;孙超 -专利权人：河海大学常州校区
申请日： 2018-08-09 - 公布日： 2018-12-21 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种云制造资源集群k‑means聚类方法，包括聚类有效性评估函数的建立，蛙跳算法的改进和k‑means聚类的改进；聚类有效性评估函数由类内距离和类间距离构成，类内距离采用欧式距离，类间距离采用类平均距离；蛙跳算法的改进主要对初始种群进行扩大；k‑means聚类的改进主要是对初始聚簇中心的优化。本发明所提供的一种云制造资源集群k‑means聚类方法，改善了k‑means聚类方法对初始聚类中心敏感的问题，能够对海量复杂的云制造资源集群进行分类，使具有相同属性的云制造资源归为一类，提高了云制造资源使用的效率
聚类资源集制造有效性评估类间距离类内距离蛙跳算法改进初始聚类中心初始种群欧式距离平均距离资源管理资源使用聚簇分类敏感优化

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 4169 条