1) clustering center
聚类中心
1.
New structure algorithm of clustering center and category determination method;
新的聚类中心构造算法及类别判定方法
2.
With the Kohonen network clustering in neural network employed, the degree of relationship of the universal joint axle of the rolling mill was input to Kohonen network as the training sample, studied and clustered by the network to generate different clustering centers according to the different depth and different degree of relationship among the cracks.
由于裂纹深度不同 ,裂纹故障的关联度不同 ,于是网络便产生不同的聚类中心点 。
3.
With the characteristics of the Kohonen network clustering in neural network,the degree of relationship of universal joint axis of rolling mill is input to Kohonen network as training sample,and is studied and clustered by the network to generate different clustering centers owing to the different depth and different degree of relationship among severity of crack.
利用神经网络中Kohonen网络聚类的特点,把小型轧机万向接轴裂纹故障的不同关联度,作为Kohonen网络的训练样本输入到Kohonen网络中去,并由Kohonen网络学习和聚类产生不同的聚类中心点。
2) cluster center
聚类中心
1.
Optimizing initial cluster center of K-means algorithm
优化初始聚类中心的K-means算法
2.
Since each single fault diagnosis method has its advantages and disadvantages,so after the immune system is applied to choosing hidden layer neural network data and getting a cluster center,then a suitable layer weight is selected,and neural network output is calculated,the output result shows that the diagnosis is effective.
近年来,神经网络在故障诊断领域中应用广泛,但任何单一的故障诊断方法都有其优点和缺点,因此将免疫系统应用于神经网络隐层数据中心的选择,训练得出聚类中心,然后选择一种合适的确定隐含层到输出层的权值,计算得出神经网络的输出,并根据输出结果诊断出故障的类型。
3.
The iterative expressions for cluster center and fuzzy membership are deduced respectively.
对K-HarmonicMeans算法进行扩展,考虑到数据点对不同类的隶属关系,将模糊的概念应用到聚类中,提出了模糊K-HarmonicMeans算法,推导出聚类中心和模糊隶属度的迭代公式。
3) center clustering
中心聚类
1.
RBF design method based on center clustering and PSO
采用中心聚类与PSO的RBF网络设计方法
4) K-Median
K-中心聚类
1.
Migration strategy of parallel migration strategy for effect of K-Median Cluster;
并行遗传算法的迁移策略对K-中心聚类的影响
2.
Application and Research of Parallel Genetic Algorithm in Data Mining of K-Medians;
本论文将并行遗传算法应用到K-中心聚类数据挖掘中,从而来提高K-中心数据挖掘的效率和聚类的准确性。
5) central clustering
中心聚类法
6) k-center clustering
k中心聚类
1.
This algorithm adopted gauss function as kernel function,and then used fast Gaussian transform to reduce time complexity and improved the fast Gaussian transform by k-center clustering.
该算法选用高斯函数作为核密度估计法的核函数,然后用快速高斯变换加快运算速度,并用k中心聚类算法改进了原快速高斯变换中数据分类方法。
补充资料：聚煤中心
聚煤带内煤最富集的地区。一个聚煤带有一个或几个聚煤中心。
前苏联地质学家П．И．斯捷潘诺夫于1937年在"聚煤带和聚煤中心"学说中首次提出。他将全球按发生聚煤作用的主要时期划分为 3个区，每个区内又划分几个聚煤带，每个聚煤带包括几个聚煤中心。
1960年，苏联地质学家А．И．叶戈罗夫对聚煤中心作了进一步的论述。指出气候分带决定了地表植被最发育的地区,也决定了泥炭化作用最强烈的地段。但是,在每个聚煤带中, 聚煤作用是不均匀的。聚煤中心的分布严格地受古地理条件(海陆分布、地貌景观)及大地构造条件的制约。在任何聚煤期中，聚煤面积的总和仅构成全球表面的百分之几乃至千分之几。但在某些地区，由于存在着极有利于聚煤作用的条件，可以在相对不大的面积内形成数千亿吨乃至万亿吨的煤炭资源。
前苏联地质学家П．И．斯捷潘诺夫于1937年在"聚煤带和聚煤中心"学说中首次提出。他将全球按发生聚煤作用的主要时期划分为 3个区，每个区内又划分几个聚煤带，每个聚煤带包括几个聚煤中心。
1960年，苏联地质学家А．И．叶戈罗夫对聚煤中心作了进一步的论述。指出气候分带决定了地表植被最发育的地区,也决定了泥炭化作用最强烈的地段。但是,在每个聚煤带中, 聚煤作用是不均匀的。聚煤中心的分布严格地受古地理条件(海陆分布、地貌景观)及大地构造条件的制约。在任何聚煤期中，聚煤面积的总和仅构成全球表面的百分之几乃至千分之几。但在某些地区，由于存在着极有利于聚煤作用的条件，可以在相对不大的面积内形成数千亿吨乃至万亿吨的煤炭资源。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条