排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
经典[K]-Means算法不能有效处理非球型数据集的聚类问题,且聚类目标数需预先指定。SMCL(Self-adaptive Multiprototype-based Competitive Learning)算法是一种[K]-Means的改进算法,它引入Multi-Prototypes机制,并将距离相近的Prototypes所代表的样本簇融合成聚类簇。在SMCL算法基础上提出DP-SMCL(Density Peak-SMCL)算法,使用密度峰值聚类算法确定初始聚类中心集,借助1-D高斯混合概率密度模型合并以Prototypes为中心的相近子簇来获得精确聚类结果。实验结果表明,DP-SMCL算法可应用于非球型数据集聚类,且能自动确认聚类的目标类别数,相比于[K]-Means和DBSCAN(Density-Based Spatial Clustering of Applications with Noise)等经典聚类算法能够获得更加准确的聚类结果。同时,与SMCL算法相比,DP-SMCL可以快速完成初始Prototypes的选定,显著提升算法准确率和执行效率。 相似文献
2.
3.
针对枸杞这种具有柔性长果梗、低容重及轻质特点的果实在振动采摘过程中的运动学特征进行了分析,通过分析得出振动幅度应大于果梗的长度,在振幅确定的情况下,振动频率不仅取决于果实-果蒂之间的结合力,还与果梗的几何尺寸和物理特性有关。还分析了振动时间与振动频率之间的关系并给出了其相关模型。设计了多点夹持枝条振动式采摘装置并进行了枸杞采摘实验,实验表明,在振幅为30~40 mm,振动频率为10 Hz的条件下,振动时间大于12 s,采净率高于90%,损伤率低于5%,含杂率低于10%,不仅满足枸杞机械化采收的要求,而且与理论分析结果符合。 相似文献
1