CN113901995B - 一种面向环境噪声数据的聚类方法及系统 - Google Patents

一种面向环境噪声数据的聚类方法及系统 Download PDF

Info

Publication number
CN113901995B
CN113901995B CN202111141733.3A CN202111141733A CN113901995B CN 113901995 B CN113901995 B CN 113901995B CN 202111141733 A CN202111141733 A CN 202111141733A CN 113901995 B CN113901995 B CN 113901995B
Authority
CN
China
Prior art keywords
individual
population
environmental noise
individuals
elite
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111141733.3A
Other languages
English (en)
Other versions
CN113901995A (zh
Inventor
黄文俊
喻骏
谭力江
郭肇禄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Oking Information Industry Co ltd
Original Assignee
Guangdong Oking Information Industry Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Oking Information Industry Co ltd filed Critical Guangdong Oking Information Industry Co ltd
Priority to CN202111141733.3A priority Critical patent/CN113901995B/zh
Publication of CN113901995A publication Critical patent/CN113901995A/zh
Application granted granted Critical
Publication of CN113901995B publication Critical patent/CN113901995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及数据挖掘技术领域，具体涉及一种面向环境噪声数据的聚类方法及系统，利用改进的正弦余弦算法来提高环境噪声数据的聚类精度，在改进的正弦余弦算法中，首先随机生成种群，并计算种群中每个个体的适应值，然后迭代执行基于引导个体的正弦余弦操作生成试验个体，并将生成的试验个体与种群中的个体进行优胜劣汰，以此优化环境噪声数据的聚类中心，从而提高环境噪声数据的聚类精度。

Description

一种面向环境噪声数据的聚类方法及系统
技术领域
本发明涉及数据挖掘技术领域，具体涉及一种面向环境噪声数据的聚类方法及系统。
背景技术
生活环境中经常会产生各种影响人们生活的噪声，噪声污染不仅会干扰人们的生活，还会影响人们的身心健康。为了营造更好的生活环境，许多城市在各个主要区域都密集地设置了环境噪声监测点，实时地采集城市各个重要地点的环境噪声数据。随着环境噪声数据的不断采集，常常需要从大量的环境噪声数据中分析出有价值的信息，从而为环境噪声的污染治理提供可行的参考。
为了有效地分析环境噪声数据，往往需要对环境噪声数据进行聚类，将环境噪声数据根据其特征而划分类别，从而更好地把握城市各个区域中环境噪声的分布规律及其总体变化趋势。然而，环境噪声数据的聚类是一项很有挑战性的任务，传统聚类方法应用于环境噪声数据的聚类时容易出现陷入局部极值，聚类精度不足的困境。
发明内容
本发明目的在于提供一种面向环境噪声数据的聚类方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，本发明提供以下技术方案：
一种面向环境噪声数据的聚类方法，所述方法包括以下步骤：
步骤S1、获取环境噪声数据集，所述环境噪声数据集包括ADS个样本；
步骤S2、输入类别数量CK；
步骤S3、输入种群的个体数量AGN，最大搜索代数MG；
步骤S4、设置搜索代数t＝0；
步骤S5、随机产生AGN个个体组成种群，其中每个个体存储了CK个类别的聚类中心；
步骤S6、按公式(1)计算种群中每个个体的适应值：
其中，AFitti表示种群中第ti个个体的适应值；个体下标ti＝1,2,...,AGN；样本下标tm＝1,2,...,ADS；类别下标tk＝1,2,...,CK；DEtm表示环境噪声数据集中的第tm个样本；SAMtk表示第tk个类别的样本集合；DAti,tk表示种群中的第ti个个体所存储的第tk个类别的聚类中心；ADS表示环境噪声数据集的样本总数；
步骤S7、从种群中找出适应值最小的个体记为最优个体MinAD；
步骤S8、按公式(2)计算优选率EP：
其中，cos为余弦函数；π为圆周率；所述优选率EP的一次计算如图1所示；
步骤S9、计算优选个体数量EGN＝ceil(EP×AGN)，其中ceil表示向上取整函数；
步骤S10、设置精英列表EList为空；
步骤S11、对种群中的所有个体按照适应值从小到大进行排序，得到排序后的种群，将排序后的种群中的前EGN个个体作为优秀个体依次添加到精英列表EList中；
步骤S12、计算组合系数RKW，
步骤S13、按公式(3)计算精英列表中每个个体的引导权重：
其中，ei表示精英列表EList中个体的编号，ei＝1,2,...,EGN；EWei表示精英列表EList中第ei个个体的引导权重；MADFit表示最优个体MinAD的适应值；EYFitei表示精英列表EList中的第ei个个体的适应值；Rankei表示精英列表EList中的第ei个个体在排序后的种群中的序号；
步骤S14、按公式(4)计算引导个体EDXti：
其中，EYei表示精英列表EList中的第ei个个体；
步骤S15、在[0,1]范围内生成一个随机实数erp；
步骤S16、如果erp小于0.5则转到步骤S17，否则转到步骤S18；
步骤S17、按公式(5)执行正弦操作产生试验个体UXti，并转到步骤S19；
UXti＝DAti+FR1×sin(FR2)×|FR3×EDXti-DAti| (5)
其中，FR2为[0,2×π]之间的随机实数；FR3为[0,2]之间的随机实数；sin为正弦函数；DAti表示种群中的第ti个个体；
步骤S18、按公式(6)执行余弦操作产生试验个体UXti，并转到步骤S19；
UXti＝DAti+FR1×cos(FR2)×|FR3×EDXti-DAti| (6)
步骤S19、计算试验个体UXti的适应值；
步骤S20、将试验个体UXti的适应值与种群中的个体DAti的适应值进行比较，如果试验个体UXti的适应值小于DAti的适应值，则在种群中利用试验个体UXti替换个体DAti，否则保持个体DAti不变；
步骤S21、从种群中找出适应值最小的个体记为最优个体MinAD；
步骤S22、将搜索代数累加一次，得到累加后的搜索代数；
即，设置搜索代数t＝t+1；
步骤S23、确定累加后的搜索代数是否小于最大搜索代数MG，若是，则转到步骤S8；若否，则转到步骤S24；
步骤S24、提取出最优个体MinAD中所存储的CK个类别的聚类中心，利用得到的聚类中心对环境噪声数据集进行类别划分。
进一步，步骤S24中，所述利用得到的聚类中心对环境噪声数据集进行类别划分的具体过程为：
分别计算环境噪声数据集中每个样本与CK个类别的聚类中心之间的欧氏距离；
对于环境噪声数据集中的第tm个样本，将该样本与聚类中心的欧氏距离最小的类别记为类别DCK，将第tm个样本划分为第DCK个类别。
一种计算机可读存储介质，所述计算机可读存储介质上存储有面向环境噪声数据的聚类程序，所述面向环境噪声数据的聚类程序被处理器执行时实现如上述任意一项所述的面向环境噪声数据的聚类方法的步骤。
一种面向环境噪声数据的聚类系统，所述系统包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一项所述的面向环境噪声数据的聚类方法。
本发明的有益效果是：本发明公开一种面向环境噪声数据的聚类方法及系统，本发明应用改进的正弦余弦算法来优化环境噪声数据的聚类中心，然后利用得到的聚类中心对环境噪声数据进行类别划分。基于改进的正弦余弦算法，能够减少陷入局部极值的概率，从而提高环境噪声数据的聚类精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例中优选率的示意图。
具体实施方式
以下将结合实施例和附图对本申请的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本申请的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本申请实施例提供的一种面向环境噪声数据的聚类方法，包括以下步骤：
步骤S1、获取环境噪声数据集，所述环境噪声数据集包括ADS个样本；
在一些实施例中，所述环境噪声数据集从环境噪声监测系统中导出；其中，所述环境噪声数据集包括但不限于以下至少一种：监测点的位置，监测时间，等效声级，累计百分数声级L5，累计百分数声级L10，累计百分数声级L50，累计百分数声级L90，累计百分数声级L95，大气温度，相对湿度，风速，总车流量，长车流量，大车流量，中型车流量，轻型车流量，微型车流量。在一实施例中，ADS＝2600。
步骤S2、输入类别数量CK；
在一些实施例中，输入的类别数量CK＝5。
步骤S3、输入种群的个体数量AGN，最大搜索代数MG；
在一些实施例中，输入的种群的个体数量AGN＝100，最大搜索代数MG＝8000；每个个体所存储的类别数量相等。
步骤S4、设置搜索代数t＝0；
步骤S5、随机产生AGN个个体组成种群，其中每个个体存储了CK个类别的聚类中心；
步骤S6、按公式(1)计算种群中每个个体的适应值：
其中，AFitti表示种群中第ti个个体的适应值；个体下标ti＝1,2,...,AGN；样本下标tm＝1,2,...,ADS；类别下标tk＝1,2,...,CK；DEtm表示环境噪声数据集中的第tm个样本；SAMtk表示第tk个类别的样本集合；DAti,tk表示种群中的第ti个个体所存储的第tk个类别的聚类中心；ADS表示环境噪声数据集的样本总数；
步骤S7、从种群中找出适应值最小的个体记为最优个体MinAD；
步骤S8、按公式(2)计算优选率EP：
其中，cos为余弦函数；π为圆周率；所述优选率EP的一次计算如图1所示；
步骤S9、计算优选个体数量EGN＝ceil(EP×AGN)，其中ceil表示向上取整函数；
步骤S10、设置精英列表EList为空；
步骤S11、对种群中的所有个体按照适应值从小到大进行排序，得到排序后的种群，将排序后的种群中的前EGN个个体作为优秀个体依次添加到精英列表EList中；
步骤S12、计算组合系数RKW，
步骤S13、按公式(3)计算精英列表中每个个体的引导权重：
其中，ei表示精英列表EList中个体的编号，ei＝1,2,...,EGN；EWei表示精英列表EList中第ei个个体的引导权重；MADFit表示最优个体MinAD的适应值；EYFitei表示精英列表EList中的第ei个个体的适应值；Rankei表示精英列表EList中的第ei个个体在排序后的种群中的序号；
步骤S14、按公式(4)计算引导个体EDXti：
其中，EYei表示精英列表EList中的第ei个个体；
步骤S15、在[0,1]范围内生成一个随机实数erp；
步骤S16、如果erp小于0.5则转到步骤S17，否则转到步骤S18；
步骤S17、按公式(5)执行正弦操作产生试验个体UXti，并转到步骤S19；
UXti＝DAti+FR1×sin(FR2)×|FR3×EDXti-DAti| (5)
其中，FR2为[0,2×π]之间的随机实数；FR3为[0,2]之间的随机实数；sin为正弦函数；DAti表示种群中的第ti个个体；
步骤S18、按公式(6)执行余弦操作产生试验个体UXti，并转到步骤S19；
UXti＝DAti+FR1×cos(FR2)×|FR3×EDXti-DAti| (6)
步骤S19、计算试验个体UXti的适应值；
步骤S20、将试验个体UXti的适应值与种群中的个体DAti的适应值进行比较，如果试验个体UXti的适应值小于DAti的适应值，则在种群中利用试验个体UXti替换个体DAti，否则保持个体DAti不变；
步骤S21、从种群中找出适应值最小的个体记为最优个体MinAD；
步骤S22、将搜索代数累加一次，得到累加后的搜索代数；
即，设置搜索代数t＝t+1；
步骤S23、确定累加后的搜索代数是否小于最大搜索代数MG，若是，则转到步骤S8；若否，则转到步骤S24；
即，确定累加后的搜索代数t是否小于最大搜索代数MG；
步骤S24、提取出最优个体MinAD中所存储的CK个类别的聚类中心，利用得到的聚类中心对环境噪声数据集进行类别划分。
本发明提供的实施例中，首先随机生成种群，并计算种群中每个个体的适应值，然后迭代执行基于引导个体的正弦余弦操作生成试验个体，并将生成的试验个体与种群中的个体进行优胜劣汰，以此优化环境噪声数据的聚类中心。本发明基于改进的正弦余弦算法，设计了搜索状态启发的优选率机制用以适应性地确定优秀个体的数量，并根据优秀个体的适应值信息及其在种群中的排序序号信息来生成引导个体，能够减少陷入局部极值的概率，从而提高环境噪声数据的聚类精度。
作为上述实施例的进一步优选，步骤S24中，所述利用得到的聚类中心对环境噪声数据集进行类别划分的具体过程为：
分别计算环境噪声数据集中每个样本与CK个类别的聚类中心之间的欧氏距离；
对于环境噪声数据集中的第tm个样本，将该样本与聚类中心的欧氏距离最小的类别记为类别DCK，将第tm个样本划分为第DCK个类别。
与图1的方法相对应，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有面向环境噪声数据的聚类程序，所述面向环境噪声数据的聚类程序被处理器执行时实现如上述任意一实施例所述的面向环境噪声数据的聚类方法的步骤。
与图1的方法相对应，本发明实施例还提供一种面向环境噪声数据的聚类系统，所述系统包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一实施例所述的面向环境噪声数据的聚类方法。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
所述处理器可以是中央处理单元(Central-Processing-Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor，DSP)、专用集成电路(Application-Specific-Integrated-Circuit，ASIC)、现场可编程门阵列(Field-Programmable-Gate-Arr ay，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述面向环境噪声数据的聚类系统的控制中心，利用各种接口和线路连接整个面向环境噪声数据的聚类系统可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述面向环境噪声数据的聚类系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart-Media-Card，SMC)，安全数字(Secure-Digital，SD)卡，闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本申请的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本申请的预定范围。此外，上文以发明人可预见的实施例对本申请进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本申请的非实质性改动仍可代表本申请的等效改动。

Claims (4)

1.一种面向环境噪声数据的聚类方法，其特征在于，所述方法包括以下步骤：
步骤S1、获取环境噪声数据集，所述环境噪声数据集包括ADS个样本；
步骤S2、输入类别数量CK；
步骤S3、输入种群的个体数量AGN，最大搜索代数MG；
步骤S4、设置搜索代数t＝0；
步骤S5、随机产生AGN个个体组成种群，其中每个个体存储了CK个类别的聚类中心；
步骤S6、按公式(1)计算种群中每个个体的适应值：
其中，AFitti表示种群中第ti个个体的适应值；个体下标ti＝1,2,...,AGN；样本下标tm＝1,2,...,ADS；类别下标tk＝1,2,...,CK；DEtm表示环境噪声数据集中的第tm个样本；SAMtk表示第tk个类别的样本集合；DAti,tk表示种群中的第ti个个体所存储的第tk个类别的聚类中心；ADS表示环境噪声数据集的样本总数；
步骤S7、从种群中找出适应值最小的个体记为最优个体MinAD；
步骤S8、按公式(2)计算优选率EP：
其中，cos为余弦函数；π为圆周率；
步骤S9、计算优选个体数量EGN＝ceil(EP×AGN)，其中ceil表示向上取整函数；
步骤S10、设置精英列表EList为空；
步骤S11、对种群中的所有个体按照适应值从小到大进行排序，得到排序后的种群，将排序后的种群中的前EGN个个体作为优秀个体依次添加到精英列表EList中；
步骤S12、计算组合系数RKW，其中，
步骤S13、按公式(3)计算精英列表中每个个体的引导权重：
其中，ei表示精英列表EList中个体的编号，ei＝1,2,...,EGN；EWei表示精英列表EList中第ei个个体的引导权重；MADFit表示最优个体MinAD的适应值；EYFitei表示精英列表EList中的第ei个个体的适应值；Rankei表示精英列表EList中的第ei个个体在排序后的种群中的序号；
步骤S14、按公式(4)计算引导个体EDXti：
其中，EYei表示精英列表EList中的第ei个个体；
步骤S15、在[0,1]范围内生成一个随机实数erp；
步骤S16、如果erp小于0.5则转到步骤S17，否则转到步骤S18；
步骤S17、按公式(5)执行正弦操作产生试验个体UXti，并转到步骤S19；
UXti＝DAti+FR1×sin(FR2)×|FR3×EDXti-DAti| (5)
其中，FR2为[0,2×π]之间的随机实数；FR3为[0,2]之间的随机实数；sin为正弦函数；DAti表示种群中的第ti个个体；
步骤S18、按公式(6)执行余弦操作产生试验个体UXti，并转到步骤S19；
UXti＝DAti+FR1×cos(FR2)×|FR3×EDXti-DAti| (6)
步骤S19、计算试验个体UXti的适应值；
步骤S20、将试验个体UXti的适应值与种群中的个体DAti的适应值进行比较，如果试验个体UXti的适应值小于DAti的适应值，则在种群中利用试验个体UXti替换个体DAti，否则保持个体DAti不变；
步骤S21、从种群中找出适应值最小的个体记为最优个体MinAD；
步骤S22、将搜索代数累加一次，得到累加后的搜索代数；
即，设置搜索代数t＝t+1；
步骤S23、确定累加后的搜索代数是否小于最大搜索代数MG，若是，则转到步骤S8；若否，则转到步骤S24；
步骤S24、提取出最优个体MinAD中所存储的CK个类别的聚类中心，利用得到的聚类中心对环境噪声数据集进行类别划分。
2.根据权利要求1所述的面向环境噪声数据的聚类方法，其特征在于，步骤S24中，所述利用得到的聚类中心对环境噪声数据集进行类别划分的具体过程为：
分别计算环境噪声数据集中每个样本与CK个类别的聚类中心之间的欧氏距离；
对于环境噪声数据集中的第tm个样本，将该样本与聚类中心的欧氏距离最小的类别记为类别DCK，将第tm个样本划分为第DCK个类别。
3.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1或2任一项所述的面向环境噪声数据的聚类方法的步骤。
4.一种面向环境噪声数据的聚类系统，其特征在于，所述系统包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1或2任一项所述的面向环境噪声数据的聚类方法。
CN202111141733.3A 2021-09-28 2021-09-28 一种面向环境噪声数据的聚类方法及系统 Active CN113901995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111141733.3A CN113901995B (zh) 2021-09-28 2021-09-28 一种面向环境噪声数据的聚类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111141733.3A CN113901995B (zh) 2021-09-28 2021-09-28 一种面向环境噪声数据的聚类方法及系统

Publications (2)

Publication Number Publication Date
CN113901995A CN113901995A (zh) 2022-01-07
CN113901995B true CN113901995B (zh) 2024-04-12

Family

ID=79029659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111141733.3A Active CN113901995B (zh) 2021-09-28 2021-09-28 一种面向环境噪声数据的聚类方法及系统

Country Status (1)

Country Link
CN (1) CN113901995B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960226A (zh) * 2017-04-11 2017-07-18 陕西师范大学 一种基于烟花算法的软子空间mr图像聚类算法
CN110365434A (zh) * 2019-06-27 2019-10-22 广东工业大学 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法
CN110472046A (zh) * 2019-07-11 2019-11-19 广东奥博信息产业股份有限公司 一种政企服务文本聚类方法
WO2020233084A1 (zh) * 2019-05-21 2020-11-26 深圳壹账通智能科技有限公司 一种图像分割方法、装置、存储介质及终端设备
CN113159139A (zh) * 2021-04-01 2021-07-23 哈尔滨工业大学 一种基于改进声发射密度聚类的伤损状态诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960226A (zh) * 2017-04-11 2017-07-18 陕西师范大学 一种基于烟花算法的软子空间mr图像聚类算法
WO2020233084A1 (zh) * 2019-05-21 2020-11-26 深圳壹账通智能科技有限公司 一种图像分割方法、装置、存储介质及终端设备
CN110365434A (zh) * 2019-06-27 2019-10-22 广东工业大学 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法
CN110472046A (zh) * 2019-07-11 2019-11-19 广东奥博信息产业股份有限公司 一种政企服务文本聚类方法
CN113159139A (zh) * 2021-04-01 2021-07-23 哈尔滨工业大学 一种基于改进声发射密度聚类的伤损状态诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于余弦因子改进的混合聚类算法;黄裕洋;金远平;;东南大学学报(自然科学版);20100520(03);全文 *

Also Published As

Publication number Publication date
CN113901995A (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
US11449673B2 (en) ESG-based company evaluation device and an operation method thereof
JP5785617B2 (ja) データ・セットを取り扱うための方法及び構成、データ処理プログラム及びコンピュータ・プログラム製品
US10827981B2 (en) System and method for evaluating a cognitive load on a user corresponding to a stimulus
US10467547B1 (en) Normalizing text attributes for machine learning models
CN110569982A (zh) 一种基于元学习的主动采样方法
CN109960808B (zh) 一种文本识别方法、装置、设备及计算机可读存储介质
CN108710907B (zh) 手写体数据分类方法、模型训练方法、装置、设备及介质
CN109635010B (zh) 一种用户特征及特征因子抽取、查询方法和系统
CN106599913A (zh) 一种基于聚类的多标签不平衡生物医学数据分类方法
Montebruno et al. Machine learning classification of entrepreneurs in British historical census data
US7822700B2 (en) Method for using lengths of data paths in assessing the morphological similarity of sets of data by using equivalence signatures
CN105183792B (zh) 一种基于局部敏感哈希的分布式快速文本分类方法
CN111179055B (zh) 授信额度调整方法、装置和电子设备
CN111191033A (zh) 一种基于分类效用的开集分类方法
Behnisch et al. Urban data-mining: spatiotemporal exploration of multidimensional data
CN113901995B (zh) 一种面向环境噪声数据的聚类方法及系统
CN113505786A (zh) 试题拍照评判方法、装置及电子设备
CN113011689B (zh) 软件开发工作量的评估方法、装置及计算设备
CN111709475A (zh) 一种基于N-grams的多标签分类方法及装置
CN115062602A (zh) 对比学习的样本构造方法、装置、计算机设备及存储介质
CN114861625A (zh) 一种获得目标训练样本的方法、电子设备及介质
Mulaudzi et al. Improving the performance of multivariate forecasting models through feature engineering: A South African unemployment rate forecasting case study
CN110533035B (zh) 基于文本匹配的学生作业页码识别方法
CN112749268A (zh) 基于混合策略的faq系统排序方法、装置及系统
Katarya et al. Analyzing customer sentiments using machine learning techniques to improve business performance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant