基于代表点的增量式聚类算法开题报告

2022-01-14 22:01:30

全文总字数：1406字

1. 研究目的与意义及国内外研究现状

随着互联网信息量的迅速增长，大多数的聚类算法只能处理静态数据，这就意味着在运行聚类算法之前，必须输入完整的数据，当聚类算法运行时，无法向该算法添加任何新的数据。

然而，在大多数情况下，信息随时都会出现，如果将原始数据和新的数据一起使用来构建新的聚类模型会浪费很多时间，并且没有使用已经从原始数据中获得的知识。

因此，增量聚类算法非常适合动态环境和非常大的数据集。

剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！

总结常见的聚类算法，建立增量数据在聚类中目标函数的表示方法，利用类别中的特征点信息表示聚类的历史信息，实现对增量数据的类别标记任务，并与一般的聚类算法和批处理式的增量式算法进行对比实验，验证方法的可行性。

1.实施方案与进度安排：从2019年1月到5月共五个月。

2019年1月到2月：通过查阅各方面资料，分析和整理，规划出该论文算法实现的大致进度流程，并完成开题报告，外文翻译等论文的前期工作；2019年2月到4月：总结常用的聚类算法，建立增量数据在聚类中目标函数的表示方法，利用类别中的特征点信息表示聚类的历史信息，实现对增量数据的类别标记任务。

2019年4月到5月：基本完成算法的实现以及对比实验，验证方法的可行性。

剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！

[1] 陈爱国, 王士同. 基于多代表点的大规模数据模糊聚类算法[j]. 控制与决策, 2016, 31(12): 2122-2130.

[2] 伍育红.聚类算法综述[j]. 计算机科学, 2015, 42(6a): 491-499.

[3] 孟凡荣,李晓翠,周勇. 一种基于代表点的增量聚类算法[j]. 计算机应用研究, 2013, 29(8): 2 865-2 867

剩余内容已隐藏，您需要先支付 5元才能查看该篇文章全部内容！立即支付