1) UOFC
无监督优化模糊聚类
1.
Firstly,the Unsupervised Optimal Fuzzy Clustering(UOFC) method was used to find the regions containing potential targets.
首先通过无监督优化模糊聚类的方法分割出彩色图像中目标的潜在区域,记录其质心位置和形状大小;然后在质心对应位置提取灰度图像中各区域的分形特征,利用几何度量空间变化率特征排除背景奇异区域的干扰;最后对记录的目标区域进行判决,得到真实目标的质心位置和形状特征,从而检测出全部目标。
3) unsupervised optimal clustering
无监督最优聚类
1.
The unsupervised optimal fuzzy clustering algorithm based on the fuzzy c-means algorithm gathered the advantages of the fuzzy c-means algorithm and the unsupervised optimal clustering algorithm.
基于模糊c-均值算法的无监督最优模糊聚类算法集合了模糊c均值算法与无监督最优聚类算法的优点,它通过逐渐改变聚类数c,依据一些有效性衡量尺度,能无监督搜索出最优聚类数c。
4) supervised fuzzy clustering
监督模糊聚类
1.
Objective evaluation system of garment seam based on supervised fuzzy clustering;
基于监督模糊聚类的缝纫平整度客观评价系统
2.
A new method for fast building the rough data model (RDM) by means of supervised fuzzy clustering in the product space of input and output variables is proposed.
提出了在输入-输出积空间中利用监督模糊聚类技术快速建立粗糙数据模型(rough data model,简称RDM)的一种方法。
3.
To evaluate the sewing ability of the fabric objectively before being garment,a prediction system based on supervised fuzzy clustering neural network(SFCNN) for garment seams is proposed.
为在面料成衣之前客观评价其缝纫性能,提出了一种基于监督模糊聚类客观评价方法。
5) 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。
补充资料：动态模糊聚类法
分子式：
CAS号：
性质：又称动态模糊聚类法。选定一批聚类中心，其指标能反映该类的特征，将样本向最近的聚类中心聚类。再根据分类结果确定新的聚类中心，其各项指标为该类中所有样本的相应指标的平均值。然后计算前后两聚类中心的差异，如差异大于某一阈值，说明分类不合理，需修改分类，即以新的聚类中心代替旧的聚类中心，直到前后两聚类中心的差异小于某一阈值，认为分类合理，从而终止分类过程。
CAS号：
性质：又称动态模糊聚类法。选定一批聚类中心，其指标能反映该类的特征，将样本向最近的聚类中心聚类。再根据分类结果确定新的聚类中心，其各项指标为该类中所有样本的相应指标的平均值。然后计算前后两聚类中心的差异，如差异大于某一阈值，说明分类不合理，需修改分类，即以新的聚类中心代替旧的聚类中心，直到前后两聚类中心的差异小于某一阈值，认为分类合理，从而终止分类过程。
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