针对奇异值分解信号降噪方法中吸引子轨迹矩阵（Hankel矩阵）结构的确定，以及有效奇异值的选择两个关键问题，提出了一种基于遗传算法的奇异值分解信号去噪算法。首先，利用原始信号构造Hankel矩阵，运用遗传算法对矩阵结构进行优化，然后对含噪声信息的矩阵进行奇异值分解，最后通过K-medoids聚类算法确定有效奇异值个数，对有效奇异值和其对应的向量进行奇异值分解反变换，还原原始信号，达到去噪目的。通过仿真实验并与小波包变换、小波变换以及传统快速傅氏变换（FFT）去噪方法相比较，结果表明该算法具有良好的去噪效果。
2022-12-05 20:51:50
1.84MB
1
这个 Rust crate 使用 PAM 实现了 k-medoids 聚类。它可以与任意相异物一起使用，因为它需要一个相异矩阵作为输入。
2022-06-11 18:06:24
40KB
聚类
鸢尾花数据的 K-means 聚类和葡萄酒数据的 K-Medoids 聚类
2021-11-26 11:02:24
4KB
1
随着风电、光伏等可再生能源发电渗透率的增加，电
力系统运行需要考虑随之而来的不确定性。场景分析法因为
可明确体现不确定性因素的概率特征而被广泛采用，但是由于大规模场景会降低随机规划的求解效率，实用性受到限
制。
2021-11-08 17:13:58
1MB
1
K-类固醇
K-Medoids是一种聚类算法。 围绕类固醇分区（PAM）算法就是这样的一种K-Medoids实现
先决条件
西皮
脾气暴躁的
入门
from KMedoids import KMedoids
参数
n_cluster ：集群数
max_iter ：最大迭代次数
tol ：公差等级
例子
data = [[2, 6], [3, 4], [3, 8], [4, 7], [6, 2], [6, 4], [7, 3], [7, 4], [8, 5], [7, 6]]
k_medoids = KMedoids(n_cluster=2)
k_medoids.fit(data)
2021-09-24 18:24:14
104KB
1
K-medoids:K-中心点算法
不采用聚类中对象的平均值作为参照点，而是选用聚类中位置最中心的对象，即中心点（medoid）作为参照点
首先随机选择k个对象作为中心，把每个对象分配给离它最近的中心
然后随机地选择一个非中心对象替换中心对象，计算分配后的距离改进量。聚类的过程就是不断迭代，进行中心对象和非中心对象的反复替换过程，直到目标函数不再有改进为止。
2021-05-25 19:44:16
882KB
1