基于广义粒子模型的自组织聚类
数据聚类在数据挖掘，统计学，机器学习等领域有着广泛的应用。现有的聚类方法种类繁多， 但大多数无法快速聚类大型、高维数据库。本文提出了一种新的基于广义粒子模型（GPM）的数据聚类算法 。GPM 将数据聚类过程转变为 GPM 阵列构形空间上的一个随机过程。基于 GPM 的自组织聚类算法具有许多特点和优势，其中包括：对噪声数据不敏感，聚类质量不受数据分布和数据类型等因素的影响，适合高维及大型数据处理，具有学习能力，适合动态和随机变化的环境，易于用 VLSI 脉动阵列的硬件实现。大量模拟实验和比较分析，证明了 GPM 算法的有效性和高性能。
数据聚类 多维数据 广义粒子模型 局部转移规则 随机过程 马尔可夫链
帅典勋 刘蓉蓉 汪文兰 薛方亮
华东理工大学计算机科学和工程系，上海200237
国内会议
武汉
中文
2005-10-13（万方平台首次上网日期，不代表论文的发表时间）