公开(公告)号：CN116304768A

公开(公告)日：2023-06-23

申请号：CN202310186231.5

申请日：2023-03-01

Applicant: 桂林理工大学

Inventor： 陈基漓 ,  彭德稳 ,  王海岚

IPC: G06F18/2321 ,  G06F18/2323 ,  G06F18/213 ,  G06F18/22

Abstract: 本发明公开了一种基于改进等距映射的高维密度峰值聚类方法。采用改进等距映射的方法对高维流形数据集进行降维，并将测地距离作为样本间的相似性度量；根据自然邻居的定义，结合自然邻居和测地距离定义新的局部密度。提出了一个基于自然邻居和共享最近邻的分配策略，构造样本相似性矩阵，利用距离和方向信息为流形类簇准确分配样本，从而得到最终的聚类结果。实验表明，本发明提供的基于改进等距映射的高维密度峰值聚类方法，使用改进等距映射的方法对数据降维后，在无需参数的情况下，能够在高维流形数据上获得十分优异的聚类效果，在密度分布不均匀数据集和UCI数据集上的聚类性能比几种常用的改进的密度峰值聚类算法更好。

公开(公告)号：CN115496138A

公开(公告)日：2022-12-20

申请号：CN202211125238.8

申请日：2022-09-16

Applicant: 桂林理工大学

Inventor： 陈基漓 ,  彭德稳 ,  王海岚

IPC: G06K9/62

Abstract: 本发明公开了一种基于自然邻居的自适应密度峰值聚类方法。首先采用自然邻居搜索算法对数据集中的每个点进行搜索，直到达到一种自然稳定状态，实现自适应获得聚类参数。提出了一个综合考虑局部密度和相对距离的两种因素以重新定义簇中心权值的计算公式，然后根据簇中心的分布规律提出自适应的簇类中心提取机制，最后定义了簇间相似度并提出了新的簇合并规则进行簇的合并，从而得到最终的聚类结果。实验表明，本发明提供的基于自然邻居的自适应密度峰值聚类方法，在无需参数的情况下，能够在密度分布不均匀数据上获得十分优异的聚类效果，在流形数据集和UCI数据集上的聚类性能比几种常用的聚类算法更好。

公开(公告)号：CN115392975A

公开(公告)日：2022-11-25

申请号：CN202211060710.4

申请日：2022-08-30

Applicant: 桂林理工大学

Inventor： 王海岚 ,  陈基漓 ,  谢晓兰 ,  彭德稳

IPC: G06Q30/02 ,  G06Q30/06 ,  G06K9/62

Abstract: 本发明公开了一种基于Canopy模糊聚类和奇异值分解的个性化推荐方法，包括5个步骤：步骤S1.生成用户‑属性评分矩阵；步骤S2.Canopy优化FCM聚类算法：通过Canopy优化的FCM聚类算法对用户进行模糊聚类；步骤S3.奇异值分解：通过奇异值分解对用户‑属性评分矩阵进行分解；步骤S4.计算相似度：找出目标用户的候选邻居类，利用皮尔逊相关系数计算目标用户与同一类中候选邻居之间的相似度；步骤S5.项目推荐：对目标推荐用户未评分项目进行预测，通过上述相似度的度量，得到评分预测，并按照降序排列，将前n个项目推荐给用户。该发明能够使得推荐的准确度更高，有效缓解了数据稀疏性、用户主观性强等问题，使推荐误差减小，具有良好的推荐效果。