DBSCAN是一种经典的基于密度的聚类技术，在发现任意形状的聚类和处理噪声方面广为人知。 但是，面对高维数据时，密度计算非常耗时，这使得它在许多领域都效率低下，例如多文档摘要，产品推荐等。因此，如何有效地计算高维数据的密度成为了基于DBSCAN的群集技术的一个关键问题。 在本文中，我们提出了一种基于DBSCAN的高维数据聚类的快速算法，称为Dboost。 在我们的算法中，一种名为WAND＃的分级检索技术改编被新颖地应用于改进密度计算而没有精度损失，并且我们通过减少WAND＃的调用时间来进一步提高了这种加速。 对电线电压数据，Netflix数据集和微博语料库进行了实验。 结果表明，线电压数据和Netflix数据集可实现50倍以上的加速，而微博客数据可望实现100倍以上的加速。
2021-03-02 13:06:06
513KB
1
针对目前混凝土强度预测中存在的不确定性，难以自适应性的确定神经网络隐含层，建立了基于高维云的RBF神经网络的混凝土预测模型。运用MATLAB 8.10进行仿真实验。实验结果表明该模型综合考虑了影响混凝土强度的各种因素，能够实现预测结果的随机性和模糊性，具有更高的预测精度，更快的训练速度，可以广泛应用于生产现场实地的混凝土强度预测和质量检验。
2021-01-28 02:33:26
655KB
1
分类介绍了目前具有代表性的数据降维方法，重点阐述了一种新的数据降维方法 － 压缩感 知，在此基础上，分析了各种数据降维算法的优缺点，并对数据降维研究中存在的问题进行了剖析．
2020-01-27 03:16:08
362KB
1