1) k-medoids clustering
k-中心点聚类
1.
By using kernel functions,we can map the data in the original space to a high dimension feature space in which we can use the k-medoids clustering algorithm,and we adopt the best by computing the distance.
提出了一种基于核的聚类方法,增加对样本特征的优化;通过核函数,把数据样本空间映射到一个高维的特征空间;在特征空间对数据样本进行k-中心点聚类,并通过计算类内距离作为适应度准则,取其最优的结果。
2) K-medoids clustering algorithm
K中心点聚类
1.
Based on the good performance of K-medoids clustering algorithm for categorical data and the nice self-organization,self-adaptation and self-learning of genetic algorithm,this paper aimed to develop a methodology for the clustering of activity patterns with a genetic algorithm based clustering method.
针对K中心点聚类算法对分类数据聚类的有效性和遗传算法良好的自组织、自适应和自学习能力,提出了基于遗传聚类算法的出行行为分析方法。
3) 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。
4) 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。
5) K-Medoids method
K中心聚类方法
6) K-medoids
K-中心点
1.
SPATIAL CLUSTERING ANALYSIS WITH CONTRAINTS——Improved K-medoids;
限制条件下的空间聚类分析——改进的K-中心点聚类算法
补充资料：中心点
中心点
位于某区或某器官中央的一点或两者之间的中点。
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