本文關(guān)鍵詞： DBSCAN算法 K-means算法 去噪 聚類 ARIMA模型 預(yù)測　出處：《黑龍江大學(xué)自然科學(xué)學(xué)報(bào)》2017年02期 　論文類型：期刊論文

【摘要】：K-means算法對噪音數(shù)據(jù)和孤立點(diǎn)敏感,致使其在應(yīng)用方面存在很大的局限。傳統(tǒng)的Kmeans算法在除噪階段多以人為和經(jīng)驗(yàn)判定噪音點(diǎn)或單純從平均數(shù)角度剔除孤立點(diǎn),造成聚類結(jié)果準(zhǔn)確度難以保證。以大興安嶺地區(qū)精品藍(lán)莓干商品為研究對象,基于DBSCAN算法輔助Kmeans算法去噪,用定量的方法解決K-means去噪欠缺合理性的問題。結(jié)合ARIMA模型加以驗(yàn)證聚類預(yù)測的結(jié)果,與實(shí)際值匹配度達(dá)到95%以上,明顯高于未改進(jìn)算法。
[Abstract]:K-means algorithm is sensitive to noise data and outliers. As a result, there are many limitations in its application. The traditional Kmeans algorithm usually uses human and experience to determine the noise points or eliminate the outliers from the average point of view in the de-noising stage. It is difficult to ensure the accuracy of clustering results. Taking the fine blueberry products in Daxing'an Mountains as the research object, the DBSCAN algorithm is used to assist the Kmeans algorithm in de-noising. Using quantitative method to solve the problem of K-means denoising lack of rationality, combined with the ARIMA model to verify the results of the clustering prediction, the matching degree with the actual value is more than 95%. It is obviously higher than the unimproved algorithm.
【作者單位】： 東北林業(yè)大學(xué)信息與計(jì)算機(jī)工程學(xué)院;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(71473034)
【分類號】：F323.7;TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張濟(jì)強(qiáng);高玉良;;遺傳模擬退火算法在k-means聚類中的應(yīng)用[J];電腦知識與技術(shù);2012年07期

2 賈花萍;李堯龍;哈渭濤;史曉影;;K-means聚類神經(jīng)網(wǎng)絡(luò)分類器在睡眠腦電分期中的應(yīng)用研究[J];河南科學(xué);2012年06期

3 李學(xué)勇;高國紅;孫甲霞;;基于互信息和K-means聚類的信息安全風(fēng)險(xiǎn)評估[J];河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年02期

4 屈新懷;高萬里;丁必榮;李朕;;基于聚類數(shù)和初始值的K-means算法改進(jìn)研究[J];組合機(jī)床與自動化加工技術(shù);2011年04期

5 邊鵬;趙妍;蘇玉召;;一種改進(jìn)的K-means算法最佳聚類數(shù)確定方法[J];現(xiàn)代圖書情報(bào)技術(shù);2011年09期

6 宗瑜;金萍;李明楚;;BK-means:骨架初始解K-means[J];計(jì)算機(jī)工程與應(yīng)用;2009年14期

7 韓凌波;;一種新的K-means最佳聚類數(shù)確定方法[J];現(xiàn)代計(jì)算機(jī);2013年30期

8 李紅巖;胡林林;王江波;周紅芳;;基于K-means的最佳聚類數(shù)確定方法研究[J];電腦知識與技術(shù);2014年01期

9 王勇;唐靖;饒勤菲;袁巢燕;;高效率的K-means最佳聚類數(shù)確定算法[J];計(jì)算機(jī)應(yīng)用;2014年05期

10 呂強(qiáng),俞金壽;基于混合遺傳算法的K-Means最優(yōu)聚類算法[J];華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年02期

相關(guān)會議論文 前4條

1 楊青;劉曄;張東旭;劉暢;;快速查找最優(yōu)初始聚類數(shù)K的改進(jìn)K-means算法[A];中國自動化學(xué)會控制理論專業(yè)委員會A卷[C];2011年

2 陳磊;胡佳敏;嚴(yán)華;;K-means算法在散貨船代貨運(yùn)系統(tǒng)中的應(yīng)用[A];全國第20屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會議（CACIS·2009）暨全國第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會議論文集（上冊）[C];2009年

3 張望;王輝;;個(gè)性化服務(wù)中的并行K-Means聚類算法[A];2007年全國開放式分布與并行計(jì)算機(jī)學(xué)術(shù)會議論文集(下冊)[C];2007年

4 王守強(qiáng);朱大銘;史士英;;基于輸入點(diǎn)集求解k-Means聚類算法[A];第二十六屆中國控制會議論文集[C];2007年

相關(guān)碩士學(xué)位論文 前10條

1 許允棟;K-means聚類算法的改進(jìn)與應(yīng)用[D];廣西師范大學(xué);2015年

2 丁斌;基于布谷鳥算法的K-means聚類挖掘算法研究[D];合肥工業(yè)大學(xué);2015年

3 賀艷芳;熵加權(quán)多視角核k-means聚類算法的研究[D];鄭州大學(xué);2016年

4 陳克;基于K-means算法的CSS Sprites圖片合成技術(shù)的研究[D];東北師范大學(xué);2016年

5 黃新華;基于Apriori和K-means算法的圖書推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];湖南大學(xué);2016年

6 于洋洋;基于并行K-MEANS聚類分析的社群發(fā)現(xiàn)算法研究[D];東北大學(xué);2012年

7 崔曉麗;基于MapReduce的海量數(shù)據(jù)K-means聚類算法研究[D];大連理工大學(xué);2014年

8 高存彬;基于K-Means聚類法的水團(tuán)劃分算法和可視化研究[D];中國海洋大學(xué);2008年

9 劉建國;改進(jìn)的K-means算法及其在采油數(shù)據(jù)分析中的應(yīng)用[D];北京郵電大學(xué);2010年

10 陳翠卓;移動平臺下基于K-means的租房信息聚類算法研究與實(shí)現(xiàn)[D];華中師范大學(xué);2014年

，

本文編號：1492724