基于集群环境的K-Means聚类算法的并行化

K-Means聚类算法在面对海量数据时,时间和空间的复杂性已成为K-Means聚类算法的瓶颈.在充分研究传统K-Means聚类算法的基础上,提出了基于集群环境的并行K-Means聚类算法的设计思想,给出了其加速比估算公式,并通过实验证明了该算法的正确性和有效性.     

基于聚类算法的线上学习行为分析

为了有效利用线上学习平台记录的学生学习行为数据,从多方面刻画学习者画像,充分发挥线上教学的作用。在人工智能技术的驱动下,首先统计学生学习时间和视频内容数据,分析他们的观看习惯和对重点、难点内容的重视程度;然后在k-means++ 聚类算法的基础上,分析课程视频、章节检测、学习次数、作业和签到等特征对学习效果的影响。上述方法可以帮助总结学生的学习态度、偏好和习惯,将相似学习风格的学生聚为一类。老师可以通过线上学习行为的分析调整教学内容,改进教学方法,从而改善线上教学效果。     

基于K-Means算法的混合聚类算法研究

在使用K-Means进行文本聚类的研究中,针对K-Means算法缺点,提出了利用DBSACN算法确定参数K的方法,将基于密度的聚类算法应用于特征选取上,使得K值计算有了一定的确定性,从而提高了聚类质量。这种将多种算法混合运用的方法,为文本聚类算法的设计提供一个新的方向。     

动态迭代聚类算法分析基因序列数据

聚类技术在知识发现方面发挥了很重要的作用，K—均值算法是聚类分析中最常用的算法，但K—均值算法必须预先选择类的数目作为先验值，即研究者需要确定数据空间内有意义类的数目．针对这个问题，本文提出一种新的聚类算法—动态迭代聚类算法，动态选取K个边缘相似度的数据对象作为最初的初始聚类点，并根据类内或类间的相似度离差程度不断地精练(合并或分割)初始类群．模拟实验结果表明，该算法提高了聚类质量，使聚类具有更高的准确性。