dwf_android的博客

近邻传播算法是一种快速有效的聚类方法.针对近邻传播算法在无先验知识条件下偏向参数选择的问题,使用Silhouette聚类有效性指标确定偏向参数.针对近邻传播算法在处理结构复杂或高维数据时,存在数据信息重叠的问题,提出将局部保持投影方法与近邻传播算法相结合的方法,在有效保留数据内部非线性结构的前提下,有效删除数据空间中的冗余信息.仿真结果验证了提出的算法优于传统的近邻传播算法.

基于密度的DBSCAN聚类算法可以识别任意形状簇,但存在全局参数Eps与Min Pts的选择需人工干预,采用的区域查询方式过程复杂且易丢失对象等问题,提出了一种改进的参数自适应以及区域快速查询的密度聚类算法。根据KNN分布与数学统计分析自适应计算出最优全局参数Eps与Min Pts,避免聚类过程中的人工干预,实现了聚类过程的全自动化。通过改进种子代表对象选取方式进行区域查询,无需漏检操作,有效提高了聚类的效率。对4种典型数据集的密度聚类实验结果表明,本文算法使得聚类精度提高了8.825%,聚类的平均时间减少了0.92 s。

针对现有手势识别算法中存在的计算量复杂、识别率低和效率差等不足,提出一种基于L-ADTW的移动终端手势识别的匹配方法,利用手机内置加速度传感器进行手势识别,采用差分检测方法自动检测出有效手势序列,用改进的起始松弛点对有效手势序列进行校准,使用L-ADTW匹配算法进行有效手势序列段匹配,并将匹配结果与优化阈值比较分析。实验结果表明,提出的L-ADTW算法,在保证手势匹配高效的前提下,使等错率降到2.5%,认证成功率提高了5.37%。

针对 Apriori 关联规则挖掘算法在计算频繁项集时需要生成大量的候选项集且多次扫描数据库的问题以及布尔矩阵关联规则挖掘算法在计算频繁项集过程中具有计算速度快和内存占用率低等特点 , 但在计算频繁项集之前未对矩阵进行预处理 , 一定程度上增加了计算复杂度 . 由于排序索引规则通过索引编号 , 跳跃搜索项集 , 可以有效加快信息的检索速率 , 但在生成频繁二项集索引矩阵时 , 内存占用比较高 , 提出一种基于布尔矩阵和排序索引的关联规则挖掘算法 , 预处理布尔矩阵 , 删除无用事务和项 , 根据剪枝布尔矩阵和标记序列产生频繁二项集 , 结合排序索引生成其他频繁项集 . 实验表明 , 提出的算法生成所有频繁项集只需扫描数据库一次 , 时空复杂度低 , 有效提高了频繁项集挖掘的效率.