导读:本文包含了熵加权论文开题报告文献综述及选题提纲参考文献，主要关键词:聚类分析,人才评估,熵加权,数据挖掘
熵加权论文文献综述
金媛媛,李丹,杨明[1]（2019）在《熵加权聚类挖掘算法在学科竞赛学员选拔中的应用》一文中研究指出针对现有学科竞赛学员选拔中对评估数据缺少有效利用的问题,提出一种基于熵加权聚类的挖掘算法,对学科数据集合进行聚类,从而实现科学合理的人才挑选机制。采用人工统计对数据进行采集和归一化预处理,并利用稀疏分数进行数据特征选择,实现非必要聚类特征的过滤。通过熵加权聚类算法挖掘具有最优解的竞赛成员分配方案。实例分析结果表明,相比标准的Apriori算法,熵加权聚类算法运行效率更高,验证了提出方法的合理性和有效性。(本文来源于《现代电子技术》期刊2019年19期）
刘海姣,马慧芳,昌阳,李志欣[2]（2019）在《基于熵加权属性子空间的目标社区发现》一文中研究指出该文提出一种基于熵加权属性子空间的目标社区发现方法,挖掘与用户偏好相关的社区。首先,从属性和结构两个方面综合考虑节点间的相似度,利用用户给定的样例节点及其邻居扩展得到目标社区中心点集;其次,在中心点集上,设计一种熵加权的属性权重计算方法,得到目标社区的属性子空间权重;再次,利用目标社区的属性子空间权重,基于节点的属性和结构相似度重写网络中边的权重;最后,定义社区适度函数并结合重写后网络中边的权重改进社区适度函数,以中心节点集为核心,挖掘基于用户偏好的内部连接紧密且与外部分离较好目标社区。此外,该方法可以扩展到网络中多个社区发现及离群点检测任务中。在人工网络和真实网络数据集上的实验结果验证了该文所提算法的效率和有效性。(本文来源于《中文信息学报》期刊2019年08期）
李玉,甄畅,石雪,赵泉华[3]（2019）在《基于熵加权K-means全局信息聚类的高光谱图像分类》一文中研究指出目的高光谱图像波段数目巨大,导致在解译及分类过程中出现"维数灾难"的现象。针对该问题,在K-means聚类算法基础上,考虑各个波段对不同聚类的重要程度,同时顾及类间信息,提出一种基于熵加权K-means全局信息聚类的高光谱图像分类算法。方法首先,引入波段权重,用来刻画各个波段对不同聚类的重要程度,并定义熵信息测度表达该权重。其次,为避免局部最优聚类,引入类间距离测度实现全局最优聚类。最后,将上述两类测度引入K-means聚类目标函数,通过最小化目标函数得到最优分类结果。结果为了验证提出的高光谱图像分类方法的有效性,对Salinas高光谱图像和Pavia University高光谱图像标准图中的地物类别根据其光谱反射率差异程度进行合并,将合并后的标准图作为新的标准分类图。分别采用本文算法和传统K-means算法对Salinas高光谱图像和Pavia University高光谱图像进行实验,并定性、定量地评价和分析了实验结果。对于图像中合并后的地物类别,光谱反射率差异程度大,从视觉上看,本文算法较传统K-means算法有更好的分类结果;从分类精度看,本文算法的总精度分别为92. 20%和82. 96%,K-means算法的总精度分别为83. 39%和67. 06%,较K-means算法增长8. 81%和15. 9%。结论提出一种基于熵加权K-means全局信息聚类的高光谱图像分类算法,实验结果表明,本文算法对高光谱图像中具有不同光谱反射率差异程度的各类地物目标均能取得很好的分类结果。(本文来源于《中国图象图形学报》期刊2019年04期）
曹洁,张丽君,侯亮,陈作汉,张红[4]（2018）在《基于信息熵加权的FCM交通状态识别研究》一文中研究指出在城市交通状态识别中,饱和度、平均排队长度、平均行程速度以及时间占有率等交通参数常用作评价指标。针对以上指标对交通状态影响程度不同的问题,提出基于信息熵加权的FCM聚类算法识别局部路网交通状态的方法。将路网中关键交叉口和其上游路段作为一个识别单元,引入信息熵理论对每个评价指标进行权重确定,用加权欧氏距离优化FCM算法的目标函数,从而提高算法的聚类性能和对交通状态的识别率。通过改进前后算法对城市局部路网的交通状态进行识别仿真。改进后算法得到的隶属度函数波动较小,具有更好的聚类效果;目标函数值降低约37. 5%,误判率降低7. 14%,识别结果更加准确。(本文来源于《计算机应用与软件》期刊2018年10期）
赵磊,张文,孙振国,陈强[5]（2018）在《基于色彩分割及信息熵加权特征匹配的刹车片图像分类算法》一文中研究指出在基于机器视觉的汽车刹车片外观检测中,刹车片图像前景分割及形状特征的提取和匹配算法是刹车片分类的关键。为实现汽车刹车片外观高精度检测分类,该文提出并实现了一种包括前景分割、几何特征提取及特征模板匹配的图像处理算法。该算法首先将工业相机拍摄得到的红、绿、蓝(red green blue,RGB)格式图像转换到色调、饱和度、明度(hue saturation value,HSV)色彩空间,利用其中的饱和度S通道从暗色传送带背景中分割刹车片;然后提取刹车片区域的多维几何特征进行特征融合;最后采用基于信息熵加权的改进特征匹配算法,通过刹车片特征的信息熵对特征空间的Manhattan距离进行加权。对98张、54类刹车片图像进行了分类实验,结果表明:算法准确率为95.00%,每张平均耗时110ms,可以应用于刹车片生产过程中的实时自动分类。(本文来源于《清华大学学报(自然科学版)》期刊2018年06期）
王奎,潘飞,邓思影[6]（2018）在《基于广义S变换能量值信息熵加权的DG电网故障判断研究》一文中研究指出为解决分布式电源(Distributed Generation,DG)并网影响暂态故障特征,造成故障误判断,本文提出通过比较信息熵加权的广义S变换能量值的方法来进行故障判断,不仅能利用故障后极短时间内对数据进行故障判别,而且不受故障角与过渡电阻的影响,大大提升了判断的可靠性。本文通过对获取故障分量电流进行广义S变换,对变换后的各频段能量值进行信息熵的加权处理,处理后的结果作为选相参数来实现故障类型判断和选相,最后通过PSCAD建立DG并网模型仿真验证了该方法的可行性。(本文来源于《电气开关》期刊2018年03期）
魏霖静,宁璐璐,郭斌,侯振兴[7]（2018）在《大数据中基于熵加权的稀疏分数特征选择聚类算法》一文中研究指出为了提高大数据统计及分析的效率,有必要对数据集合进行聚类,以减少数据集合维度,并去掉相似数据冗余。采用熵加权和稀疏分数特征选择相结合,一方面对异构数据进行局部结构划分,降低数据维度,对局部结构的特征重要性标记并排序,提高聚类精度,另一方面,提高聚类稳定性。实验证明,该方法对不同种类的大数据聚类具有较强的适用性。(本文来源于《计算机应用研究》期刊2018年08期）
朱红,丁世飞[8]（2016）在《属性样本同步粒化的AP熵加权软子空间聚类算法》一文中研究指出仿射传播(Affinity propagation,AP)聚类算法是将所有待聚类对象作为潜在的聚类中心,通过对象之间传递的可靠性和有效性信息找到合适的聚类中心,从而计算出相应的聚类结果,但不适用子空间聚类。将粒度计算引入到仿射传播聚类算法中,提出属性与样本同步粒化的AP熵加权软子空间聚类算法(Entropy weighting AP algorithm for subspace clustering based on asynchronous granulation of attributes and samples,EWAP)。EWAP首先去除冗余属性,然后在每次聚类的迭代过程中修改属性的权重值。在满足一定条件迭代终止时,就会得到构成各兴趣度子空间的属性权重值,从而得到属性集的粒化结果以及相应的子空间聚类结果。理论与实验证明EWAP算法既保留了AP算法的优点,又克服了该聚类算法不能进行子空间聚类的不足。(本文来源于《数据采集与处理》期刊2016年04期）
邱保志,贺艳芳,申向东[9]（2016）在《熵加权多视角核K-means算法》一文中研究指出在基于视角加权的多视角聚类中,每个视角的权重取值对聚类结果的精度都有着重要的影响。针对此问题,提出熵加权多视角核K-means(EWKKM)算法,通过给每个视角分配一个合理的权值来降低噪声视角或无关视角对多视角聚类的影响,进而提高聚类的精度。EWKKM算法中,首先用核矩阵表示不同的视角,给每个视角分配一个权重;然后,利用信息熵计算出各个视角的熵权重;最后,按照定义的目标函数对各个视角的权重进行优化,使用核K-means进行多视角聚类。在UCI数据集及人工数据集进行实验,实验结果表明熵加权多视角核K-means算法能够为每个视角分配一个最优的权重值,聚类的精确度优于已有的聚类算法,具有更稳定的聚类结果。(本文来源于《计算机应用》期刊2016年06期）
贺艳芳[10]（2016）在《熵加权多视角核k-means聚类算法的研究》一文中研究指出近年来,数据的多样性使得传统的聚类算法已经无法满足数据分析的要求,于是人们提出了多视角聚类。现有的多视角聚类技术主要分为叁类,协同训练算法、基于多核聚类算法和基于子空间的多视角聚类算法。但是多特征数据中可能存在受噪声干扰视角或无关视角,本文为了解决这个问题进行了相关的研究。首先研究了多视角算法的收敛性。多视角聚类能从根本上改善分类和聚类的结果,但只有这些算法是收敛的才能保证其有效性。本文用Zangwill收敛性定理对多视角核k-means(MVKKM)的收敛性进行了分析。结果表明,当满足一定的条件时,MVKKM生成的迭代序列收敛或至少存在一个子序列收敛于算法目标函数的局部极小值或鞍点。其次改进多视角核k-means算法,在基于视角加权的多视角聚类中,每个视角的权重取值对聚类结果的精度有着重要的影响。针对此问题,提出熵加权多视角核k-means(EWKKM)算法,通过给每个视角分配一个合理的权值来降低噪声视角或无关视角对多视角聚类的影响,进而提高聚类的精度。EWKKM算法中,首先用核矩阵表示不同的视角,给每个视角分配一个权重;然后,利用信息熵计算出各个视角的熵权重;最后,按照定义的目标函数对各个视角的权重进行优化,使用核k-means进行多视角聚类。最后,基于人工数据集和真实数据集进行了实验,实验的结果表明了该算法的有效性。(本文来源于《郑州大学》期刊2016-05-01）
熵加权论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
该文提出一种基于熵加权属性子空间的目标社区发现方法,挖掘与用户偏好相关的社区。首先,从属性和结构两个方面综合考虑节点间的相似度,利用用户给定的样例节点及其邻居扩展得到目标社区中心点集;其次,在中心点集上,设计一种熵加权的属性权重计算方法,得到目标社区的属性子空间权重;再次,利用目标社区的属性子空间权重,基于节点的属性和结构相似度重写网络中边的权重;最后,定义社区适度函数并结合重写后网络中边的权重改进社区适度函数,以中心节点集为核心,挖掘基于用户偏好的内部连接紧密且与外部分离较好目标社区。此外,该方法可以扩展到网络中多个社区发现及离群点检测任务中。在人工网络和真实网络数据集上的实验结果验证了该文所提算法的效率和有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
熵加权论文参考文献
[1].金媛媛,李丹,杨明.熵加权聚类挖掘算法在学科竞赛学员选拔中的应用[J].现代电子技术.2019
[2].刘海姣,马慧芳,昌阳,李志欣.基于熵加权属性子空间的目标社区发现[J].中文信息学报.2019
[3].李玉,甄畅,石雪,赵泉华.基于熵加权K-means全局信息聚类的高光谱图像分类[J].中国图象图形学报.2019
[4].曹洁,张丽君,侯亮,陈作汉,张红.基于信息熵加权的FCM交通状态识别研究[J].计算机应用与软件.2018
[5].赵磊,张文,孙振国,陈强.基于色彩分割及信息熵加权特征匹配的刹车片图像分类算法[J].清华大学学报(自然科学版).2018
[6].王奎,潘飞,邓思影.基于广义S变换能量值信息熵加权的DG电网故障判断研究[J].电气开关.2018
[7].魏霖静,宁璐璐,郭斌,侯振兴.大数据中基于熵加权的稀疏分数特征选择聚类算法[J].计算机应用研究.2018
[8].朱红,丁世飞.属性样本同步粒化的AP熵加权软子空间聚类算法[J].数据采集与处理.2016
[9].邱保志,贺艳芳,申向东.熵加权多视角核K-means算法[J].计算机应用.2016
[10].贺艳芳.熵加权多视角核k-means聚类算法的研究[D].郑州大学.2016