1) semi-supervised clustering
半监督聚类
1.
Novel semi-supervised clustering:collaborating primary space with auxiliary space;
基于辅助空间与主空间合作的半监督聚类方法
2.
Research on the Present Situation of Semi-Supervised Clustering Algorithm
半监督聚类算法研究现状
3.
Some Developments on Semi-Supervised Clustering
半监督聚类的若干新进展
2) Supervised clustering
监督聚类
1.
This paper presents a new supervised clustering method The algorithm is based on the information related t o both the global and local distributions of training samples,avoiding the expensive computation and local minimum of traditional neural networks Unknow n patterns can also be recognized The simulation results demonstrate the soun dness of this approac
本文提出了一种新的监督聚类学习方法。
3) semi-supervised classification
半监督分类
1.
Anomaly detection in BGP based on semi-supervised classification;
基于半监督分类的BGP异常检测
2.
In detail, prior to using the seeds set to initialize cluster centroids, the training process of a semi-supervised classification approach named Tri-training is used to label unlabeled data and add them into the initial seeds set to enlarge the scale.
提出一种半监督聚类算法,该算法在用seeds集初始化聚类中心前,利用半监督分类方法Tri-training的迭代训练过程对无标记数据进行标记,并加入seeds集以扩大规模;同时,在Tri-training训练过程中结合基于最近邻规则的Depuration数据剪辑技术对seeds集扩大过程中产生的误标记噪声数据进行修正、净化,以提高seeds集质量。
3.
The analysis of experimental data has proven that this algorithm has better effect on semi-supervised classification.
实验数据分析证明了该算法在进行半监督分类时具有比较好的效果。
4) unsupervised clustering
无监督聚类
1.
A new method based on unsupervised clustering for lithium-ion battery classification;
无监督聚类在锂离子电池分类中的应用
2.
A background sub-set was obtained from the data set by unsupervised clustering.
首先利用滑动可变窗口检测每个像素的所有不重叠平滑子序列,获取可能背景;然后选择每个平滑子序列的中值样本点构建分类序列集,根据未知类别的无监督聚类识别思想获取背景子集,实现背景初始化。
3.
The learning strategy is motivated by the statistical query model and unsupervised clustering method.
本文提出了基于最佳样本标记的主动支持向量机学习策略:首先利用无监督聚类选择一个小规模的样本集进行标记,然后训练该标记样本集得到一个初始SVM分类器,然后利用该分类器主动选择最感兴趣的无标记样本进行标记,逐渐增加标记样本的数量,并在此基础上更新分类器,反复进行直到得到最佳性能的分类器。
5) unsupervised clustering
非监督聚类
1.
Firstly,the composite in the period of August 13 to 28 which corresponds to the greenest image of the year was segmented with unsupervised clustering algorithm.
介绍了全球地图第一版中国土地覆盖分类产品的遥感数据源、数据处理方法及结果,详细介绍了非监督聚类和决策树分类相结合的区域级土地覆盖分类方法及处理步骤,并以2003年全年的MODIS/TERRA16d合成产品MOD43B4为主要遥感数据源,采用先进行影像聚类,然后以聚类结果为处理单元进行多时相多特征决策树分类,得到了覆盖全国、约1km分辨率的土地覆盖分类结果。
6) Supervised-Unsupervied Clustering
监督-非监督的聚类
补充资料：半群类中的根(根基)
半群类中的根(根基)
radical in a class of semigroups
半群类中的根(根基)1.山a社加ac比sof胭”i-孚仪.声;p戮从.KaJI.“月acce no月yI卫抓n] 把每个半群(sen卫，gro叩)S映到一个合同(见合同(代数学中的)(congrt此noe(ina琢bm))p(S)且具有下列性质的函数p:l)若S与T同构且p(S)=O(O表示相等关系)，则p(T)“氏2)若O为S上的合同且户(S/0)=0，则户(S)缤夕;3)户(S/户(S))=0.若l)和3)成立，则2)等价于 s叩{户(S)，0}/口〔户(S/0)对每个合同0成立.半群S称为p半单的(p .5口刊-sin甲le)，如果p(S)二0 .p半单半群类包含单元素半群并且对同构和次直积封闭.反过来，每个具有这一性质的半群类一定是对某个根p的p半单半群类.若风S)~SxS，则S称为p根(p一份由以1).与环的情形不同，在半群中根不是被相应的根类决定的.若在根的定义中仅限于考虑由理想定义的合同，那么又有根的另一个概念，此时对应的函数在每个半群中取一个理想(j山川)， 设介为一个半群类，它对同构封闭并包含单元素半群，则把每个半群S对应到其上的所有满足S/e〔只的合同口的交的函数就是一个根，称为p，.类只与P、半单半群类重合，当且仅当它对次直积封闭.在此情况下，S/p:(S)是S的落在介中的最大的商半群(见仿样(即lica)). 例.设究为有忠实的不可约表示(见半群的表示(化p献川以石。n ofa~一gro叩))的半群的类，则 P:(S)“ ={(a，b):a，b“S，(a，b)任林(as)自拼(bs)对一切:。sU必圣，其中 #(a)={(x，夕):x，夕任S，a“x二a“夕对某m，n)o}. 定义在给定半群类上对同态象封闭的根已被研究过 对每一个根p都有左多边形类艺(川(见多边形(么半群上的)(poly即n(o呢ra~id〕))设A是一左S多边形，S上的合同口称为A零化的(A-an司云加面g)，如果(又，召)‘0蕴含对一切a‘A，又“二产a.所有A零化合同的最小上界还是一A零化合同，它记作A朋A.类工(p)按定义由所有这样的左S多边形A组成，它满足p(S/八币rA)=0，S遍历所有半群的类.若0为S上的合同，则一左(5/0)多边形在Z(p)内，当且仅当它作为S多边形时也属于艺(p).反过来，若已给定具有这些性质的左多边形类艺而名(S)为艺中所有左S多边形的类，则函数 f SxS.若艺fs)为空的，““’一1，瓜)Ann‘，其他情“，就是一个根.
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