共查询到20条相似文献,搜索用时 859 毫秒
1.
本文在克隆选择免疫算法和层次聚类的基础上,提出一种动态聚类算法。该算法无需先验知识,首先初始化与抗原相同规模的抗体,然后根据亲和力进行抗原识别、抗体抑制和合并,完成一轮聚类;再利用aiNET免疫网络模型动态确定聚类后的抗体的变异方向,实施强目的性变异,变异率反比例于进化代数动态调节,使变异后相似的抗体进一步合并,如此反复直到满足终止条件。仿真的实验结果表明,该算法比传统的聚类方法具有更好的聚类结果和更高的性能。 相似文献
2.
3.
本体合并与映射中的一个重要步骤是检测不同本体中的相似概念,以提供合并或者映射的作用点.通常,具有相似名称的概念常被作为候选.然而,完全有可能出现具有文字相似名称的概念在语义上却不相似,甚至不相容.本文提出了一个从四方面比较概念语义距离的方法,综合考虑了一个概念在本体中的位置以及概念的属性这些对于确定概念涵义非常重要的信息. 相似文献
4.
针对传统谱聚类算法中亲合矩阵构造不准确和聚类结果不稳定的问题,提出一种基于邻里关系传播与模式合并的谱聚类算法。根据邻里关系传播原则更新子集内样本的相似度,设计局部最大相似值更新方法更新子集间样本的相似度,使用模式合并技术对子集个数较多的集合加以合并得出粗类,再对粗类间样本相似度进行二次更新,构造出亲合矩阵并将其用于谱聚类运算。实验结果表明,二次更新后,同类中样本的相似度被相对性放大,而不同类中样本的相似度则相对性缩小。与近邻传播的谱聚类算法相比,使用该算法能够得到更准确、稳定的聚类结果。 相似文献
5.
在区域合并过程中,手工设置颜色相似性和边界距离的权重极大地影响了分割的精度和自动化.针对这一问题,提出了一种新的基于区域分级合并的彩色图像分割算法.该方法能够根据邻接区域的边界特点设置权重因子,从而自适应地融合区域的颜色相似性和边界距离.使用均值漂移算法对图像进行初始分割,将原图像分割为具有较好边界的同质区域;通过计算区域相似度对区域进行分级合并.多幅彩色图像的分割实验结果证明,所提算法优于传统的基于区域合并的方法. 相似文献
6.
分析传统名称策略在本体映射中的不足。提出一种新的基于WordNet名称策略算法,该算法实现名称核心词汇的WordNet定位用以消除词义模糊性。从而提高词相似度计算的精确度,并在词相似度合并中采用C—C原则,改善传统词相似度合并的盲目性。实验结果显示,该算法在保证查全率的同时有效的提高了查准率。 相似文献
7.
本文分析了传统名称策略在本体映射中的不足.针时此问题,提出了一种新的基于WordNet名称策略算法,该算法实现名称核心词汇的WordNet定位用以消除词义模糊性,从而提高词相似度计算的精确度,并在词相似度合并中采用C-C原则,改善传统词相似度合并的盲目性.实验结果显示,该算法在保证查全率的同时有效的提高了查准率. 相似文献
8.
本文是利用Excel提供的合并计算命令,阐述在实际工作中,如何将多个相似格式的工作表或数据区域中的数据,进行合并计算。 相似文献
9.
提出一种基于节点相似性的社团挖掘算法,算法首先根据节点的相似度值找出最相似邻居节点,合并节点形成若干个社团,然后优化模块度函数进行社团的合并,当模块度值最大时算法终止。最后,通过Zachary网络和Dolphin网络进行实验仿真,验证了算法的可行性和精准性。 相似文献
10.
分析传统本体映射中名称策略与结构策略的主要不足.针对前者提出一种新的基于WordNet名称策略,该策略实现名称核心词汇的WordNet定住用以消除词义模糊性,从而提高词相似度计算的精确度,并在词相似度合并中采用C-C原则,改善传统词相似度合并的盲目性;针对后者,提出基于概念信息量的相似度传播算法,通过本体的结构信息获取概念信息量,提高结构策略的可信度.实验结果显示,改进后的算法在保证查全率的同时有效的提高了查准率. 相似文献
11.
针对Chameleon算法中采用距离函数度量数据点间的相似度,导致距离相近的两个点可能仅拥有很少的共同特征,最小二分实际操作困难,合并时需要人工指定阈值以及一旦合并完成后不能撤销的问题,对Chameleon算法进行改进,提出一种引入共享近邻加权图(WSnnG)的Chameleon算法。该算法以数据对象间的共享近邻数来衡量相似度,进一步构造WSnnG,再利用网络模块性评价函数指导最小二分,然后以结构等价相似度作为合并的依据,最后通过引入内聚度度量函数解决合并后不能撤销的问题。在UCI数据集及4个二维人造数据集上的实验结果表明,该算法在聚类精度和运行时间方面具有更好的效果。 相似文献
12.
14.
15.
16.
17.
18.
覆盖最优划分思想是将子集间重叠区域样本通过覆盖的合并和分割,使原来有交集的覆盖划分为无交集的类误差最小.文中将覆盖的最优划分思想引入社团发现中,提出基于覆盖最优划分的社团发现算法(CDA_OPC),将社团发现问题转化为求给定覆盖的最优划分问题.首先利用节点间邻域重叠关系构造覆盖,然后运用覆盖的最优划分概念,通过覆盖子集的合并与分割达到对覆盖的最优逼近,最后计算社团间的相似度,将相似度最大的社团两两合并,在多层次合并后最终形成多粒度的社团结构.在真实网络上的实验表明,CDA_OPC可以有效划分社团. 相似文献
19.