公共文化服务平台

共 8 条记录，以下是 1-8

全选清除导出

排序方式：

基于优化初始种子新策略的K-Means聚类算法被引量：2: 2013年; 作为典型的启发式聚类算法,K-Means受到初始模型的影响而存在两个缺陷:算法对初始模型非常敏感和聚类效果差强人意。若给K-Means一个能够反映数据分布特征的初始种子集,这些种子既处于数据密集区域,又尽可能相互之间远离,这样一个初始模型对于提高启发式算法性能具有重要意义。本文据此给出距离密度混合选择(HYDD)种子优化方案的基本思路:对数据集进行密度排序,在此基础上选取密度大且满足距离大于密度直径的数据作为候选初始种子集,在候选初始种子集上,利用点点之间距离从大到小选取K个所需的种子,最后利用该初始种子集引导K-Means算法来搜索聚类结果。在5组仿真数据集和3组真实数据集上的实验结果表明,HYDDK-Means算法能够稳定的获取具备高内聚、高分离这一优良特征的聚类簇。; 石亚冰黄予覃晓元昌安; 关键词：聚类启发式搜索 K-MEANS算法

结构自适应多核RBF神经网络降水预报集成模型被引量：5: 2014年; 构造了一种带多个核函数的结构自适应径向基函数神经网络(RBF NN)降水预报集成模型.该网络结构同时使用6个核函数,采用基于输入输出全部信息的模糊相似矩阵的平均矩阵元法自动确定隐节点数,自适应地生成RBF神经网络集成个体,最后建立多元回归模型集成.对日本的细网格资料数据建立平均日降水量预报模型,利用MATLAB进行仿真实验,结果表明,该模型预报性能明显优于同期中国气象局的T213(中国气象局的全球中期天气数值预报产品预报值)降水预报,可为气象预报研究提供新思路,为降水预报决策的制定提供重要的参考.; 李洁彭昱忠吴建生; 关键词：集成神经网络降水预报

基于平均矩阵元法的RBF网络降水预报模型被引量：1: 2013年; 针对径向基神经网络(RBF NN)的隐节点数难确定的问题,提出了一种基于相似矩阵确定RBF网络隐层节点数的新方法。采用基于输入输出全部信息的模糊相似矩阵的平均矩阵元法自适应确定隐节点数。建立自动确定隐节点数、中心、宽度、权值等网络参数的RBF网络降水预报模型,对广西5月的平均日降水量进行仿真实验,结果表明,该方法确定的隐节点数,网络规模较小,模型切实可行,在预报性能上明显优于同期的T213(中国气象局的全球中期天气数值预报产品预报值)降水预报,可为RBF神经网络隐节点数确定提供新思路,在降水预报上有一定的参考价值。; 李洁彭昱忠蒋林利; 关键词：相似矩阵径向基函数神经网络降水预报

暴雨强度计算模型参数拟合优化的新进化方法被引量：2: 2013年; 针对传统推求暴雨强度计算模型的参数的方法,不仅计算复杂、通用性差且常得不到全局最优解等问题,提出利用基因表达式编程对单一重现期暴雨强度计算模型参数的拟合优化的GEP_FPO算法,讨论了该算法的最优化特性和实施过程,并进行了实例计算评估分析,验证了基因表达式编程在单一重现期暴雨强度计算模型参数的拟合优化问题中是可行的,且效果较好。; 彭昱忠元昌安林开平覃晓陈冰廉; 关键词：基因表达式编程暴雨强度函数优化

多细胞基因表达式编程函数优化的并行算法研究被引量：2: 2014年; 并行算法是当前研究解决算法效率问题的成熟技术之一.为提高GEP算法解决复杂函数优化问题的效率,将并行算法引入多细胞基因表达式编程函数优化问题,解决传统计算形式不能充分发挥多核处理器性能的问题.通过分析多细胞基因表达式编程并行算法的机理和MPI和OpenMP混合并行模型,设计与实现多细胞基因表达式编程函数优化的并行算法（Parallel Multicellula rGene Expression Programmingalgorithmfor Function Optimization）PGMFO.实验结果表明针对复杂的函数优化问题,在不影响精度和收敛性的情况下,PGMFO 算法比原有的算法效率高出10%-20%.; 元建覃晓彭昱忠石亚冰; 关键词：多细胞基因表达式编程多核处理器

数据挖掘技术在气象预报研究中的应用被引量：34: 2015年; 气象预测是现代世界最重要和最有挑战的问题,准确的气象预测常需要使用比较先进的方法和计算机模型。本文分析了数据挖掘方法在气象预报中应用的国内外研究现状,简要介绍了目前在大气科学领域应用的一些数据挖掘方法的相关概念、原理和特点,综述了数据挖掘方法在气象预报中的最新应用研究进展,讨论了这些数据挖掘方法在气象预报中的优缺点。最后指出了当前基于数据挖掘方法的气象预报技术存在的一些困难,并对未来的研究重点和和发展趋势进行展望。; 彭昱忠王谦元昌安林开平; 关键词：数据挖掘气象预报

基于全局优化K均值聚类的医学图像分割方法被引量：3: 2015年; K均值聚类是医学图像分割中最常用的方法之一,但K均值(K-means)聚类算法一个固有缺陷,在于若初始中心点的选取有重复的中心点,则聚类结果将含有空簇而使得聚类结果没有意义,进而影响图像分割效果。针对这一缺陷,首先提出在初始选点过程中进行聚类中心优化,避免产生重复的解决办法——初始点优化K均值算法(Initialization Optimized K-means,IOK-means),继而将初始选点数据域约束到图像直方图峰值集,进一步改善聚类效果,得到全局优化K均值聚类算法(Global Optimized K-means,GOK-means)。将GOK-means应用在脑部医学图像分割的实验表明:GOK-means能够将脑部灰质、白质及骨骼部分清晰地分割,与传统K均值算法IOKmeans相比,GOK-means的初始化聚类中心成功率达到100%,聚类总体均方差降低了54.9%,验证了GOK-means的有效性。; 余柳青覃晓元昌安蔡宏果; 关键词：K均值聚类医学图像图像分割

基于最大维密度的全局优化空间聚类算法被引量：2: 2013年; 在优化空间聚类算法的研究中,传统的K-means空间算法存在两个缺陷,其一是对空间对象的属性描述不全面,其二是对初始种子集选取敏感,容易陷入局部最优值,聚类结果不稳定。为了优化算法,引入适合空间对象的空间属性距离和基于最大维密度选择方案(Max-Dimension of Density Based Seeking,MDDBS)来改进K-means算法,提出利用最大维密度的全局优化空间聚类算法(Max-Dimension of Density Based Clustering,MDDBC),可从密度大的区域选取初始种子,同时又尽量将种子分散在数据空间。实验结果表明,改进方法可以很好消除聚类结果的波动性,同时更加客观地呈现空间对象的分布规律。; 石亚冰元昌安覃晓黄予; 关键词：聚类算法

全选清除导出

共1页<1>

广西壮族自治区自然科学基金(2012GXNSFBA053161)