1.算法功能简介 神经网络是模仿人脑神经系统的组成方式与思维过程而构成的信息处理系统，具有非线性、自学性、容错性、联想记忆和可以训练性等特点。在神经网络中，知识和信息的传递是由神经元的相互连接来实现的，分类时采用非参数方法，不需对目标的概率分布函数作某种假定或估计，因此网络具备了良好的适应能力和复杂的映射能力。神经网络的运行包括两个阶段：一是训练或学习阶段（
转载
2023-12-01 11:04:12
55阅读
聚类算法的种类： 基于划分聚类算法（partition clustering)k-means：是一种典型的划分聚类算法，它用一个聚类的中心来代表一个簇，即在迭代过程中选择的聚点不一定是聚类中的一个点，该算法只能处理数值型数据k-modes：K-Means算法的扩展，采用简单匹配方法来度量分类型数据的相似度k-prototypes：结合了K-Means和K-Modes两种算法，能够处理混合型数据k
转载
2024-01-11 13:27:09
186阅读
论文名称基于循环神经网络的时序数据聚类算法及其并行化，王国瑞.研究对象主要围绕时序数据聚类问题，不同于已有的时序数据聚类方法，本文献的研究是基于循环神经网络的时序数据聚类方法，研究成果可用于金融股票数据分析。研究动机在时间序列数据挖掘领域，结合循环神经网络将其应用在时间序列数据预测及聚类任务上。文献综述基于时间临近度的时序聚类：主要在于序列相似性的衡量，利用不同的相似度计算方法进行聚类。基于特征变
转载
2023-12-26 18:40:21
9阅读
由于工作原因，无监督的将相似句聚类，所以需要对聚类算法有比较深入的研究，单纯的调用sklearn无法满足工作需求，故对其进行深入研究及工程实现。NLP短文本聚类算法(一：引言及数据)引言聚类算法对于NLP处理各个方向都有着非常重要的地位。 既能作为一个单独过程，用于找寻数据内在的分布结构，也可作为分类等其他学习任务的前驱过程.比如智能客服中就需要对大量的用户未知问题进行聚类，减少FAQ知识库构建的
转载
2023-05-24 14:35:47
115阅读
51 C-均值算法：
是动态聚类方法中的一个典型方法。其目的是将一数据集, 按自然密集程度划分成C个聚类，它的准则函数是对所有C个聚类中每个数据到其各自均值的距离平方和的总和为最小
。计算距离的最简单形式是欧式距离。但也可使用其它形式的距离。迭代过程是计算这个数据, 从现属聚类转移至其它聚类, 是否能使准则函数值减小为依据，将该数据转移至合适聚类，直至这种数据转移不再发生为止。在数据转移过程中
转载
2023-11-07 07:10:29
81阅读
基于神经网络的具体算法DEC 一、简介聚类特别依赖特征空间的选择；先前很少有研究来解决用于聚类的特征空间学习问题；本文提出了一种称为的聚类方法，该方法通过迭代方式来同时学习特征空间(向量表示)并完成聚类；二、聚类算法DEC 将个点聚类至个簇，每个簇均有一个质心。本文不直接在数据空间上聚类，而是通过非线性映射，将数据空间映射至特征空间，其中是可学习参数。为了避免维度灾难，的维度远远小于。至于非线性
转载
2023-10-17 23:30:04
92阅读
一提到密度聚类，脑海中立马就能呈现出一个聚类结果图，不自然的就感觉非常的简单，不就是基于密度的聚类嘛，原理不用看也懂了，但是真的实现起来，仿佛又不知道从哪里开始下手。这时候再仔细回想一下脑海中的密度聚类结果图，好像和K-means聚类的结果图是一样的，那真实的密度聚类是什么样子的呢？看了西瓜书的伪代码后还是没法实现？今天小编就带大家解决一下密度聚类的难点。
转载
2024-01-26 10:06:18
49阅读
@TOC基本介绍有“万金油”之称。最广泛的一种解释：神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。[Kohonen,1998]最基本单元：神经元，即简单单元。 M-P神经元模型[McCulloch and Pitts 1943]，如下图: 图中原始值为，经过的转换得到当前神经元的输入值，若值大于阈值，则再通过激
转载
2023-12-08 20:58:50
152阅读
汇聚层（Pooling Layer）是卷积神经网络（CNN）中的一种常用操作，其作用是对卷积层输出的特征图进行下采样（缩小特征图大小），从而减少计算量和参数数量，同时提取更为重要的特征。本文将介绍汇聚层的基本原理、实现方式以及常见类型。一、汇聚层的原理汇聚层的主要作用是对卷积层输出的特征图进行下采样，通常有两种方式：最大池化（Max Pooling）和平均池化（Average Pooling）。最
转载
2023-12-14 10:47:55
96阅读
作者：hyman
（4）结果验证。一旦用聚类算法得到结果，就需要验证其正确性。（5）结果判定。在许多情况下，应用领域的专家必须用其他实验数据和分析判定聚类结果，最后做出正确的结论。 聚类分析有很多种算法，每种算法都是优化了某一方面或某几方面的特征。聚类算法的优劣标准本身就是一个值得研究的问题，对于聚类的评价有不同的标准。现在通用的聚类算法都是从几个方面来衡量的，而没有完全使用
转载
2024-01-02 21:58:27
70阅读
典型聚类算法基于划分的方法代表：kmeans算法 基于层次的方法代表：CURE算法 基于网格的方法代表：STING算法将数据集合X划分多层网格结构，从某一层开始计算查询该层网格间的属性值，计算属性值与阈值的关系，判定网格间的相关情况，不相关的网格不作考虑如果网格相关，则进入下一层的相关区域继续第二步，直到下一层为最底层返回相关网格结果基于密度的方法代表：DBSCAN算法输入
转载
2023-10-28 15:11:22
78阅读
1.SOM网络简介自组织特征映射网络SOFM又称自组织映射网络SOM，是一种自组织竞争神经网络，一个神经网络接受外界输入模式时，将会分为不同的对应区域，各区域对输入模式具有不同的响应特征，而且这个过程是自动完成的。其特点与人脑的自组织特性相类似。其主要思想是在学习过程中逐步缩小神经元之间的作用邻域，并依据相关的学习规则增强中心神经元的激活程度，从而去掉各神经元之间的侧向连接，以达到模拟真实大脑神经
转载
2023-11-13 14:19:21
893阅读
点赞
Magic Leap, ETH Zurich提出了特征点匹配网络SuperGlue，寻找两幅图像局部特征点之间的对应关系的神经网络，该网络使用图神经网络预测损失。搭配super point在室内外重定位任务中达到SOTA的精度。论文方法：首先输入图像对记为A，B，各包含了关键点和局部描述子，因此是集合形式{(p,d)}p=(x,y,c)是关键点，其中c是置信度；d是描述子，本文中是superpoi
转载
2024-01-06 08:59:06
96阅读
1.算法功能简介 神经网络是模仿人脑神经系统的组成方式与思维过程而构成的信息处理系统，具有非线性、自学性、容错性、联想记忆和可以训练性等特点。在神经网络中，知识和信息的传递是由神经元的相互连接来实现的，分类时采用非参数方法，不需对目标的概率分布函数作某种假定或估计，因此网络具备了良好的适应能力和复杂的映射能力。神经网络的运行包括两个阶段：一是训练或学习阶段（
转载
2023-10-03 19:40:56
223阅读
第四章 自组织神经网络（1）自组织神经网络的典型结构 （2）自组织学习(self-organized learning) ： 通过自动寻找样本中的内在规律和本质属性，自组织、自适应地改变网络参数与结构。 自组织网络的自组织功能是通过竞争学习（competitive learning）实现的。4.1竞争学习的概念与原理4.1.1基本概念1.分类和聚类（1）分类——分类是在类别知识等导师信号的指导下，
转载
2023-10-30 23:34:32
171阅读
1 聚类的类型 聚类可以通过人工神经网络来实现，也可以通过专门的聚类算法实现，例如参考资料[3]介绍了较为常见的k-means、层次聚类、SOM以及FCM四种聚类算法，其中SOM属于神经网络方法。本文重点介绍层次聚类算法。 参考资料[3]提到，根据层次分解的顺序是自底向上的还是自上向下的，层次聚类算法又可分为凝聚的层次聚类算法和分裂的
转载
2023-11-23 21:20:14
134阅读
目录划分聚类法K-means均值聚类法PAM 方法PAM和K-means的优缺点SOM（神经网络的划分聚类方法）总结划分聚类法上次我们讲了层次聚类法，这次我们来讲效果比较好的划分聚类法需要事先指定我们需要将数据聚成几群。K-means均值聚类法现在假设我们知道数据要分为2类，于是我们就把数据分为两类。 那么该方法会随机选择两个点，然后我们画这两个点的垂直平分线，做边属于第一类，右边属于第
转载
2023-11-07 13:56:15
407阅读
1、知识点：A、BP神经网络：信号是前向传播，误差是反向传播，BP是算法，它不代表神经网络的结构；B、BP神经网络是有导师学习的神经网络，在训练的时候，需要指定输入和输出，让它知道这个输入对应这个输出，让它清楚每次训练的过程，然后他的神经元的输出和理想值目标有多大的误差，这样才会有误差反向传播这个过程；C、MATLAB里怎么创建神经网络包括设置他的参数：包括训练，包括仿真预测，这个过程需要了解；D
转载
2023-10-30 23:10:59
54阅读
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。
转载
2023-07-31 17:51:05
107阅读
文章目录一、Network Pruning1.Network can be pruned2.Weight pruning3.Neuron pruning4.Why Pruning?二、Knowledge Distillation三、Parameter Quantization四、Architecture Design1.Depthwise Separable Convolution2.Low r
转载
2023-09-21 10:12:45
102阅读
