基于核光滑方法的类属型数据中心聚类算法

点击上方蓝字

关注我们

导读

      本文应用核光滑方法对类属型属性的概率密度和特征权重进行建模，基于此模型设计了一种被称为KCC的中心聚类算法。在该算法中，我们提出了类簇概率中心的概念和簇中心的贝叶斯型概率估计学习方法，并应用一种新的变量选择方案自动学习每个簇的特征权重。通过在人工和实际数据集上的实验，表明了该方法具有较强的适用性和良好的性能，特别是在识别DNA序列的生物模式中表现出良好的特性。

文章精要

   请长按下方二维码识别，阅读该文。

   更多详细证明信息，请参考网页上的supplementary Material部分。

相关内容推荐：

基于深度表达学习的图像语义解析：全面综述 2018 12(5)：840-857

针对元建模和元查询应答比较具有诱惑力的语言Hi(SRIQ) 2018 12(5)：1029-1031

基于样本选择的安全图半监督学习方法  2018 12(4)：725-735

从上下文语境中学习： 基于相互增强模型的中文微博观点检索  2018 12(4)：714-724

决策树集成学习中的结构多样性 2018 12(3)：560-570

基于LDA模型的协同过滤  2018 12(3)：571-581

结合序列二次规划的回溯搜索算法 2018 12(2)：316-330

一种解决类不平衡问题的进化欠采样bagging集成分类算法 2018 12(2)：331-350

FCS 12(2) 人工智能专栏 | 关于差异进化算法中变异个体的选择

---

---

Frontiers of Computer Science

---

Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社出版、SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，双月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐期刊；两次入选“中国科技期刊国际影响力提升计划”；入选“第4届中国国际化精品科技期刊”。

---

长按二维码关注Frontiers of Computer Science公众号