换一批基于量化误差与分形理论的高计算效率无监督聚类研究
Quantization error and fractal theory based high computation efficiency unsupervised clustering algorithm
摘要已有的矢量聚类算法需学习较多的复杂数据方可获得较好的聚类效果，而对于多维的大数据性能较弱，为此提出一种基于量化误差与分形理论的高计算效率无监督聚类算法。首先，为数据集建立量化误差的参数化模型，基于数据集的空间结构获得数据集的率失真曲线；然后通过对率失真曲线的估算，获得数据空间的有效维度；最终利用分形理论，通过搜索数据集的量化模型参数获得目标数据集的最优类簇数量。实验结果表明，该量化误差参数化模型可较好地估算数据集的有效维度，同时，本算法对数值型数据集的最优类簇估算与计算效率优于已有的矢量聚类算法。
更多相关知识
关键词
分形理论量化误差率失真曲线无监督聚类多维数据fractal theoryquantization errorrate distortion curveunsupervised clusteringmultidimensional data
分类号
TP301.6
栏目名称
DOI
10.3969/j.issn.1001-3695.2016.10.009
发布时间
2016-11-02（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
