导读:本文包含了无监督聚类论文开题报告文献综述及选题提纲参考文献，主要关键词:图像分割,可能性聚类,均值漂移,鲁棒性
无监督聚类论文文献综述
胡雅婷,李长明,柳振鑫,任虹宾,陈营华[1]（2019）在《一种鲁棒的无监督聚类图像分割算法》一文中研究指出针对目前基于模糊C-均值聚类图像分割算法的噪声敏感问题,提出一种基于无监督可能性聚类的自动加权图像分割算法.该算法先应用均值漂移迭代确定可能性C-均值聚类算法的初始化中心,利用可能性聚类的模式搜索性质自动确定聚类划分;然后根据像素间灰度值关系进行图像加权,通过将加权系数与像素噪声的可能性相关联,降低噪声对图像分割的影响.实验结果表明,相对于基于模糊C-均值聚类的图像分割算法,该算法不仅取得了较好的分割效果,而且无监督分割时计算效率更高,对噪声的鲁棒性更强.(本文来源于《吉林大学学报(理学版)》期刊2019年06期）
古斌,郭武[2]（2019）在《说话人确认中基于无监督聚类的得分规整》一文中研究指出在说话人确认任务中,得分规整可有效调整测试得分分布,使每个说话人的得分分布接近同一分布,从而提升系统整体性能。直接从开发集中获得针对待识别目标说话人的大量冒认者得分,利用无监督聚类手段对这些得分进行筛选,并采用混合高斯模型来拟合得分分布,挑选均值最大的高斯单元作为得分规整的参数并将其应用于说话人的得分规整。在NIST SRE 2016测试集上的测试结果表明,相对于其他得分规整算法,采用无监督聚类得分规整的方法可有效提升系统性能。(本文来源于《数据采集与处理》期刊2019年05期）
钱有程[3]（2019）在《改进的无监督同时正交基聚类特征选择》一文中研究指出提出了一种改进的同时正交基聚类特征选择(Improved Unsupervised Simultaneous Orthogonal Basis Clustering Feature Selection,ISOCFS)方法.为有效地对无标签数据进行特征选择,利用目标矩阵来设计正则化的回归模型.目标矩阵通过正交基聚类,获取投影数据点的潜在聚类中心,引导投影矩阵选择判别性的特征.与先前的无监督特征选择方法不同,ISOCFS并不使用数据点预先计算局部结构信息描述目标函数,而是利用目标矩阵进行正交基聚类直接计算潜在的聚类信息.其次,为了减少噪声信息对估计目标矩阵和投影矩阵的干扰,在先前方法基础上,增加了噪声项.另外,利用简单的优化算法即可求解.最后,通过4个常见的微阵列基因表达数据集及5种最近的无监督特征选择方法进行对比实验,证明了ISOCFS方法可以获得更好的聚类效果.(本文来源于《吉林化工学院学报》期刊2019年07期）
卫潇[4]（2019）在《基于无监督聚类的切伦科夫发光断层成像算法研究》一文中研究指出切伦科夫发光断层成像(Cerenkov Luminescence Tomography,CLT)技术是近年来新兴的光学分子影像技术之一。CLT技术基于切伦科夫辐射进行成像,但切伦科夫辐射并非同位素衰变的直接产物,导致其强度值很低,且在生物组织中传输过程复杂,这些因素导致重建过程较为困难,重建位置与真实目标存在偏差,因此在大范围临床应用中受到了限制。本文使用无监督聚类方法,针对CLT技术所面临的单视图重建困难,以及重建结果存在伪影与噪声这两大问题进行了一定的探讨与研究,具体工作如下:(1)针对单视图CLT重建困难,重建精度较差这一问题,提出了一种新型CLT重建框架。该框架基于模糊C均值聚类算法和迭代收缩可行域策略,以每一次的重建节点能量值作为聚类特征值,将每一次的重建结果进行聚类,保留光源信息,去除无用信息,将其作为下一次的目标可行区域。在文中设计进行了多种模拟实验与真实仿体实验,证明了该方法的可靠性、准确性和稳定性,可以有效提升单视图重建的质量。(2)针对CLT重建结果中存在伪影与噪声的问题,提出了一种基于人工神经网络的CLT处理方法。该方法应用自动编码器神经网络,结合模糊数集合概念与近四元素场概念,直接对重建结果进行处理,该方法仅需要进行一次重建计算,减少了多次重建的时间,降低了迭代的误差与干扰。相对于当前光学分子影像中广泛使用的人工阈值过滤方法,所提方法减少了人为因素对重建结果的影响。在文中设计了不同情况下的模拟实验与多种物理仿体实验,证明了该方法在不同情况下的通用性,为CLT重建提供了一种新的思路。(本文来源于《西北大学》期刊2019-06-01）
吴雅琴,王晓东[5]（2019）在《大数据挖掘中的混合差分进化K-Means无监督聚类算法》一文中研究指出K-Means无监督聚类算法是现有聚类算法中最为典型的划分算法。针对K-Means聚类算法初始参数依赖性较高且聚类结果稳定性较差的问题,提出了一种改进的混合差分进化算法,并将混合差分进化算法引入K-Means聚类中。通过个体适值函数把种群视为2个子种群的混合体,并按照不同的变异策略和参数对2个子种群分别进行动态更新,提高了获取全局最优的概率。实验结果表明:相比K-Means聚类算法、基于差分进化的K-均值聚类算法,所提出方法能够有效提高聚类质量和收敛速度,较好地解决了K-Means聚类算法容易陷入局部最优陷阱的问题。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年05期）
侯守明,林晓洁,胡明凯[6]（2019）在《基于多种聚类的无监督距离融合学习算法研究》一文中研究指出本文针对传统的形状匹配算法的处理计算量过大、消耗时间过长,从而导致无法应用于大量的图像集以及在线的形状匹配场景的问题,在学者提出的距离融合算法的基础上进行了改进,在处理阶段引入无监督学习的方法进行多种聚类。通过引入预处理算法对图像集进行特征提取以及划分,在算法的计算量上做出优化,大幅降低了算法的计算时耗,并且保证其正确率几乎没有降低。(本文来源于《现代信息科技》期刊2019年05期）
李明杨[7]（2019）在《基于无监督K-means聚类方法的移动公司客户细分研究》一文中研究指出伴随互联网技术全球化进程的加快,数据的爆炸式增长推动了大数据时代的到来。如何有效地从这些复杂的多元数据中挖掘出其中的有价值信息,成为当今时代急需解决的难题之一。本文利用数据挖掘领域经典的K-means聚类算法,对某移动通讯运营商的客户通话行为数据进行分析,将所有客户按照其显着特点细分为五种典型的客户群体。针对每一类客户群,运营商可以制定具有针对性的营销策略,推行个性化的服务,将有限的资源集中于高价值商用客户,发展、保持中端客户以及普通客户,保持良好稳定的客户公司关系,提升自身竞争力,最终实现企业自身利益的长远增长。(本文来源于《通讯世界》期刊2019年02期）
李通,王红军,邓萍[8]（2018）在《基于聚类的无监督神经网络模型》一文中研究指出传统神经网络模型的训练需要大量有标签的数据,在大数据时代,获取标记数据费时费力。本文构造了一个基于聚类的无监督神经网络模型。首先,通过分析聚类的目标函数与神经网络的训练目标,发现两者优化目标相同,可以进行融合而构造一个无监督神经网络模型;其次,构造了一个基于聚类的无监督神经网络模型框架,将无监督学习融合到神经网络中,给出了这个框架的具体算法;然后,在此框架下,线性聚类和非线性聚类都可以融合到这个框架中,用聚类集成对聚类的结果进行置信度筛选,优化此框架无监督学习的结果。最后,使用标准数据集对提出的算法框架与相关算法进行对比实验,实验结果表明,基于聚类的无监督神经网络模型具有很大的优势。(本文来源于《2018中国自动化大会(CAC2018)论文集》期刊2018-11-30）
徐欣,舒振宇,陈双敏,辛士庆,屠长河[9]（2018）在《基于决策图的叁维模型无监督聚类算法》一文中研究指出针对叁维模型的无监督聚类问题,目前广泛采用基于词袋的方法具有两大缺陷,既无法准确知道聚类的数目,也不能适用于结构复杂(比如呈流形结构)的形状空间.为此,本文采用两大方法加以改进,其一利用有流形聚类功能的决策图方法取代K-means,其二使用核函数更加有效地衡量叁维形状之间的差异.在SHREC2010库和SHREC2011库上的大量实验结果表明,两种技巧的有机结合使聚类的精确度和效率得到了显着的提升.(本文来源于《宁波大学学报(理工版)》期刊2018年04期）
卢进军,熊召新[10]（2018）在《多特征狼群优化模糊C-均值聚类感应电机无监督故障检测》一文中研究指出感应电机是舰船系统中的重要推进动力,为提高感应电机故障检测算法的精度,提出基于多特征狼群优化模糊C-均值无监督聚类(fuzzy C-means algorithm,FCM)的感应电机故障检测方法。首先,为了去除冗余或无关信息,提出了充分考虑类间散布矩阵和类内散布矩阵之间的距离的最优特征选择方法;其次,引入狼群算法对FCM算法的聚类中心进行初始化,并通过狼群搜索优化过程对FCM算法中心进行优化,获得最佳的聚类中心设定值,实现了聚类过程的无监督执行;最后,利用MATLAB工具箱中nDexample测试集对所提狼群优化模糊C-均值无监督聚类算法的有效性进行验证,并通过对真实的感应电机故障系统的测试,显示本文算法得到的结果分类错误率等于0,显着优于前向多层神经网络算法的21%和标准FCM算法的27%,验证所提故障检测算法的性能优势。(本文来源于《中国科技论文》期刊2018年11期）
无监督聚类论文开题报告
（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：
在说话人确认任务中,得分规整可有效调整测试得分分布,使每个说话人的得分分布接近同一分布,从而提升系统整体性能。直接从开发集中获得针对待识别目标说话人的大量冒认者得分,利用无监督聚类手段对这些得分进行筛选,并采用混合高斯模型来拟合得分分布,挑选均值最大的高斯单元作为得分规整的参数并将其应用于说话人的得分规整。在NIST SRE 2016测试集上的测试结果表明,相对于其他得分规整算法,采用无监督聚类得分规整的方法可有效提升系统性能。
（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。
无监督聚类论文参考文献
[1].胡雅婷,李长明,柳振鑫,任虹宾,陈营华.一种鲁棒的无监督聚类图像分割算法[J].吉林大学学报(理学版).2019
[2].古斌,郭武.说话人确认中基于无监督聚类的得分规整[J].数据采集与处理.2019
[3].钱有程.改进的无监督同时正交基聚类特征选择[J].吉林化工学院学报.2019
[4].卫潇.基于无监督聚类的切伦科夫发光断层成像算法研究[D].西北大学.2019
[5].吴雅琴,王晓东.大数据挖掘中的混合差分进化K-Means无监督聚类算法[J].重庆理工大学学报(自然科学).2019
[6].侯守明,林晓洁,胡明凯.基于多种聚类的无监督距离融合学习算法研究[J].现代信息科技.2019
[7].李明杨.基于无监督K-means聚类方法的移动公司客户细分研究[J].通讯世界.2019
[8].李通,王红军,邓萍.基于聚类的无监督神经网络模型[C].2018中国自动化大会(CAC2018)论文集.2018
[9].徐欣,舒振宇,陈双敏,辛士庆,屠长河.基于决策图的叁维模型无监督聚类算法[J].宁波大学学报(理工版).2018
[10].卢进军,熊召新.多特征狼群优化模糊C-均值聚类感应电机无监督故障检测[J].中国科技论文.2018