导读:本文包含了协作聚类论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:萤火虫,可信,算法,辐射源,余弦,夹角,向量。
协作聚类论文文献综述
赵新超,陈敏[1]（2018）在《基于聚类分析的差分算法协作研究》一文中研究指出针对差分进化算法存在的收敛速度慢、易陷入局部最优等不足,本文提出一种融入聚类分析的差分进化算法。首先,利用聚类分析方法将差分算法的种群进行聚类分类,抽取代表元个体,利用新的个体来替换原种群中的较差个体,去除种群中的冗余信息将种群进行优化更新,从而使得整个种群可以快速准确地收敛于全局最优解。最后本文利用MATLAB编程模拟仿真,基于CEC2005测试函数库进行了模拟实验,结果表明加入了聚类分析替换策略的差分进化算法不仅有效地抑制了早熟收敛、提高了收敛速度,还有着简洁高效、鲁棒性强等特性。(本文来源于《软件》期刊2018年10期）
吴建伟,李艳玲,张辉,臧翰林[2]（2018）在《基于密度聚类的HMM协作频谱预测算法》一文中研究指出针对传统隐马尔科夫频谱预测中的时延长、预测准确度低的问题,提出了一种基于密度聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)的HMM协作频谱预测算法。该算法采用DBSCAN算法将具有强相关性的频域信道聚为一簇,并以簇为单位对信道状态进行预测,通过减少预测次数来降低频谱预测时延;同时在时域利用多个次级用户协作预测的方法,通过融合各次级用户的初始预测结果来降低预测的不确定度。仿真实验表明,相比于传统的隐马尔科夫频谱预测算法,所提算法的频谱预测时延更短,准确度更高。(本文来源于《计算机科学》期刊2018年09期）
冯鑫[3]（2018）在《非协作雷达辐射源信号聚类分选算法研究》一文中研究指出雷达对抗侦察是获取雷达对抗情报的主要手段,其核心技术之一是对雷达辐射源进行准确的分选,只有在此基础上,才能进行辐射源识别以及威胁等级判定,以便指挥人员选择合适的对抗策略。随着电子战的飞速发展,雷达电磁环境变得越来越难以预计,特征参数复杂多变的非协作雷达辐射源越来越多并逐渐呈主导地位。本文主要针对特征参数空间混迭的非协作雷达信号分选存在的关键理论问题进行探索性研究。文章通过分析总结国内外雷达信号分选领域的研究现状,确定了本文研究的主体方向即数据挖掘中的聚类分析方法,进而研究了K-Means和模糊C均值(FCM)两种经典的基于划分的聚类算法。雷达信号易受到噪声污染及测量误差的影响影响,从而直接或间接导致了分选处理错判概率的增加。因此,本文将数据场概念引入到雷达信号数据预处理中,提出了一种基于数据场的雷达信号预处理方法,通过数据场势值来判断雷达辐射源信号样本中的噪声和孤立点干扰,从而来进行数据孤立点的剔除。考虑到传统雷达信号分选模型的不足,以及聚类算法针对非协作雷达信号分选存在的问题,本文构建一种新的针对非协作雷达信号的分选模型结构。通过数据场等势线的构建来确定雷达辐射源的初始值,从而避免了需要辐射源信号先验信息才能完成的初始参数设定环节。基于软划分的模糊C均值聚类分选算法可以更好地处理特征参数空间交迭的类边界划分问题,将数据场和基于软化分的模糊C均值聚类结合起来。这就同时解决了特征参数交迭的类边界划分和聚类初始值的设定问题。(本文来源于《中国航天科技集团公司第五研究院西安分院》期刊2018-06-25）
杨国锋,戴家才,刘向君,吴晓龙,田延妮[4]（2018）在《基于核模糊聚类的动态多子群协作骨干粒子群优化》一文中研究指出针对骨干粒子群优化(BBPSO)算法易陷入局部最优、收敛速度低等问题,提出了基于核模糊聚类的动态多子群协作骨干粒子群优化(KFC-MSBPSO)算法。该算法在标准骨干粒子群算法的基础上,首先,采用核模糊聚类方法将主群分割为多个子群,令各个子群协同寻优,提高了算法的搜索效率。然后,引入非线性动态变异因子,根据子群内粒子数以及收敛情况动态调节子群粒子变异概率,通过变异的方式使子群粒子重新回到主群,提高了算法的探索能力;进一步采用主群粒子吸收策略与子群合并策略加强了主群与子群之间、子群与子群之间的信息交流,提高了算法的稳定性。最后,利用子群重建策略,结合主群与子群搜索到的最优解,调节子群重建的间隔代数。通过Sphere等6个标准测试函数进行对比实验,结果表明,KFC-MSBPSO算法和经典BBPSO算法以及反向骨干粒子群优化(OBBPSO)算法等改进算法相比寻优准确率至少提高了约11.1%,在高维解空间内测试结果的最佳均值占到83.33%并且具有更高的收敛速度。这说明KFC-MSBPSO算法具有良好的搜索性能与鲁棒性,可应用于高维复杂函数的优化问题中。(本文来源于《计算机应用》期刊2018年09期）
陆璐,何芦微[5]（2018）在《基于CPU与GPU协作的马尔可夫聚类的并行优化实现》一文中研究指出马尔可夫聚类算法(MCL)为网络聚类问题提供了一个有效的方法,尤其是在社区问题和生物信息学方面。然而在MCL中矩阵的expansion是非常耗时的,因为两个大规模矩阵相乘的时间复杂度是n3,每个元素值的计算是独立的,所以expansion和inflation可以并行执行于多核GPU上。一个基本的马尔可夫聚类的并行实现需要使用全邻接矩阵来提高性能,该邻接矩阵通常是稀疏甚至是极大稀疏的。因此,为了优化马尔可夫聚类的并行实现,采用CSR×CSC格式去存储矩阵,大大减少了空间的浪费,并在一定程度上提升了expansion的性能。实验结果表明,在处理大规模网络问题上,Sparse-MCL比CPU-MCL和P-MCL更有效。(本文来源于《计算机应用研究》期刊2018年08期）
高发展[6]（2017）在《基于聚类与专家信任的协作过滤推荐算法研究》一文中研究指出随着Web2.0技术的迅速普及,Internet上的数据和资源都处于指数增长阶段,这就会使用户面临信息过载的问题。推荐系统是解决这个问题的有效办法之一,其中协作过滤利用用户评分矩阵,计算用户之间相似度,并根据邻近用户喜好向目标用户进行推荐。但是协作过滤存在新用户冷启动、数据稀疏性、可拓展性等问题。本文针对这些问题,利用混合推荐算法的优点,对协作过滤算法进行了相应的改进,主要工作如下:(1)梳理归纳了推荐系统的相关算法,阐述了国内外学者对协作过滤算法的研究现状。针对协作过滤算法存在的缺点进行深入分析,并探讨如何利用现有技术来提升协作过滤推荐算法的性能。(2)针对冷启动和推荐精度问题,提出了综合用户特征及专家信任的协作过滤推荐算法。通过引入用户特征,利用用户填写的注册信息有效缓解推荐系统中冷启动问题。通过引入专家信任,能够比较用户与专家的相似性,从而计算用户-专家相似度矩阵,进而有效降低了数据集的稀疏性,提高预测的准确度。从实验结果可以看出,该算法能够有效缓解冷启动问题,明显提高了系统的推荐精度。(3)针对数据稀疏性和可拓展性问题,提出了基于奇异值分解与K-means++聚类的协作过滤推荐算法。通过将用户聚成多个簇,然后在与目标用户相似的簇中寻找邻居集,这样可以缓解数据的稀疏性,同时也降低了计算量。通过奇异值分解将用户-项目评分矩阵进行降维,并对稀疏矩阵进行填充,这些模型可在离线的状态下进行建立。从实验结果可以看出,该算法能够有效缓解稀疏性,并提高推荐精度。(本文来源于《海南大学》期刊2017-05-01）
周梦熊,叶岩明,任一支,徐悦甡[7]（2016）在《基于密度聚类的协作学习群组构建方法》一文中研究指出针对协作学习异质群组构建的原则和多目标优化等问题,提出一种改进的密度聚类算法,并在此基础上进一步实现群组构建算法。求得学习者的距离矩阵,根据聚类算法对学习者进行聚类,通过基本聚类中学习者随机选择分组,用调节聚类对分组进行调节,实现异质分组。实验结果表明,该算法能够满足"组内异质,组间同质"的要求,在分组效果上优于随机选择法,在执行效率上优于遗传算法。(本文来源于《计算机工程与设计》期刊2016年10期）
邓广华,李文彪[8]（2016）在《基于谱聚类协作学习分组的研究》一文中研究指出协作学习系统构建了一个协作学习的环境,为教师与学生、学生与学生进行在线讨论、协作与交流提供了一个良好的平台。在线学习过程进行科学的分组,把具有相似兴趣的用户分到一组进行专题或自由讨论提高学习效率。用谱聚类算法进行分组,用户的兴趣模型通过向量空间创建,用余弦夹角公式计算相似程度。(本文来源于《科技资讯》期刊2016年17期）
肖刚,吴利群,张元鸣,陆佳炜,卢金晨[9]（2014）在《一种基于协作频度聚类的Web服务信任评估方法》一文中研究指出在Web服务协作环境中选择可信赖的Web服务是分布式软件需要解决的一个关键问题,为此,提出了一种基于协作频度聚类的Web服务信任评估方法.该方法借鉴社会学信任模型,通过Web服务节点间的协作频度对Web服务进行聚类,提出个体信任度、群体信任度和综合信任度的概念,给出了一个Web服务信任度评估模型.还设计了一种基于全局信任管理和本地信任管理的Web服务信任度评估框架.通过构建Web服务库,对评估模型进行了模拟实验,证明了所提出的Web服务信任评估方法的可行性和有效性.(本文来源于《浙江工业大学学报》期刊2014年04期）
莫愿斌,马彦追,郑巧燕[10]（2014）在《一种协作的萤火虫算法在聚类问题上的应用》一文中研究指出将协作搜索机制引入到萤火虫算法中,通过协作搜索机制在一定程度上能使萤火虫跳出局部极值,从而提高算法的寻优性能。通过对多个UCI数据集的仿真实验,并与其他算法,如K-均值算法、人工蜂群算法和粒子群算法进行对比。实验结果表明:基于协作的萤火虫聚类算法在聚类分析方面较这些算法具有更好的效果。(本文来源于《化工自动化及仪表》期刊2014年03期）
协作聚类论文开题报告
（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：
针对传统隐马尔科夫频谱预测中的时延长、预测准确度低的问题,提出了一种基于密度聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)的HMM协作频谱预测算法。该算法采用DBSCAN算法将具有强相关性的频域信道聚为一簇,并以簇为单位对信道状态进行预测,通过减少预测次数来降低频谱预测时延;同时在时域利用多个次级用户协作预测的方法,通过融合各次级用户的初始预测结果来降低预测的不确定度。仿真实验表明,相比于传统的隐马尔科夫频谱预测算法,所提算法的频谱预测时延更短,准确度更高。
（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。
协作聚类论文参考文献
[1].赵新超,陈敏.基于聚类分析的差分算法协作研究[J].软件.2018
[2].吴建伟,李艳玲,张辉,臧翰林.基于密度聚类的HMM协作频谱预测算法[J].计算机科学.2018
[3].冯鑫.非协作雷达辐射源信号聚类分选算法研究[D].中国航天科技集团公司第五研究院西安分院.2018
[4].杨国锋,戴家才,刘向君,吴晓龙,田延妮.基于核模糊聚类的动态多子群协作骨干粒子群优化[J].计算机应用.2018
[5].陆璐,何芦微.基于CPU与GPU协作的马尔可夫聚类的并行优化实现[J].计算机应用研究.2018
[6].高发展.基于聚类与专家信任的协作过滤推荐算法研究[D].海南大学.2017
[7].周梦熊,叶岩明,任一支,徐悦甡.基于密度聚类的协作学习群组构建方法[J].计算机工程与设计.2016
[8].邓广华,李文彪.基于谱聚类协作学习分组的研究[J].科技资讯.2016
[9].肖刚,吴利群,张元鸣,陆佳炜,卢金晨.一种基于协作频度聚类的Web服务信任评估方法[J].浙江工业大学学报.2014
[10].莫愿斌,马彦追,郑巧燕.一种协作的萤火虫算法在聚类问题上的应用[J].化工自动化及仪表.2014
论文知识图
