电子工业出版社-网上书店

本书以近邻思想、同步聚类模型及快速同步聚类算法为研究课题，重点研究了基于近邻图与单元网格图的聚类算法、基于近邻势与单元网格近邻势的聚类算法、快速同步聚类算法、基于Vicsek模型线性版本的同步聚类算法、基于线性加权Vicsek模型的收缩同步聚类算法、基于分而治之框架与收缩同步聚类算法的多层同步聚类方法和基于ESynC算法与微聚类合并判断过程的组合聚类算法等。本书可作为聚类分析领域研究生的教学和科研参考教材，也可作为智能数据分析与处理技术人员的自学研究参考教材。

目录
第1章  聚类算法与空间索引结构基础	1
1.1　背景与意义	1
1.2　聚类算法简介	2
1.2.1  基于划分的聚类算法	2
1.2.2  层次聚类算法	3
1.2.3  密度聚类算法	4
1.2.4  网格聚类算法	4
1.2.5  模型聚类算法	5
1.2.6  图聚类算法	5
1.2.7  其他聚类算法	5
1.3　聚类算法的研究现状及发展趋势	5
1.4　同步聚类	7
1.4.1  同步的起源与发展	7
1.4.2  同步聚类的起源与发展	7
1.5　近邻思想及同步模型在聚类分析中的应用	11
1.6　空间索引结构基础	12
1.7　本书的主要内容	13
第2章  基于近邻图与单元网格图的聚类算法	14
2.1　基本概念及性质	15
2.2　基于近邻图的聚类算法	20
2.2.1  CNNG算法示例	20
2.2.2  CNNG算法描述	22
2.2.3  CNNG算法的复杂度分析	22
2.2.4  CNNG算法的改进	23
2.3　基于单元网格图的聚类算法	23
2.3.1  CGCG算法的预处理	24
2.3.2  CGCG算法预处理步骤的复杂度分析	24
2.3.3  CGCG算法描述	25
2.3.4  CGCG算法的复杂度分析	25
2.4　算法实现与改进的若干方法及细节	25
2.4.1  多维网格划分法	25
2.4.2  多维索引树结构	26
2.4.3  近邻点集的构造	27
2.4.4  ? 近邻单元网格集的构造	28
2.4.5  区域是否存在交集的判定	31
2.5　本章小结	32
第3章  基于近邻势与单元网格近邻势的聚类算法	33
3.1　基本概念	33
3.2　基于近邻势的聚类算法	35
3.2.1  CNNI算法描述	35
3.2.2  CNNI算法的说明	36
3.2.3  参数? 的设置	37
3.2.4  CNNI算法的改进版本	37
3.2.5  CNNI算法的变种版本	38
3.3　基于单元网格近邻势的聚类算法	40
3.3.1  CIGC算法描述	40
3.3.2  CIGC算法的复杂度分析	43
3.3.3  CIGC算法的参数设置	43
3.4　本章小结	44
第4章  快速同步聚类算法	46
4.1　基本概念	47
4.2　快速同步聚类算法的三种具体版本	48
4.2.1  SynC算法描述	48
4.2.2  基于R树的快速同步聚类算法	49
4.2.3  基于多维网格和红黑树的快速同步聚类算法	50
4.2.4  FSynC算法的一些知识	53
4.2.5  FSynC算法的复杂度分析	54
4.2.6  FSynC算法的参数设置	57
4.3　本章小结	57
第5章  基于Vicsek模型线性版本的同步聚类算法	58
5.1　基本概念及性质	58
5.2　有效的ESynC算法	62
5.2.1  有效的ESynC算法描述	62
5.2.2  比较Kuramoto扩展模型、Vicsek模型的线性版本
及Vicsek模型的原始版本	63
5.2.3  ESynC算法的复杂度分析	68
5.2.4  ESynC算法的参数设置	68
5.2.5  ESynC算法的收敛性	68
5.2.6  ESynC算法的改进	69
5.3　本章小结	69
第6章  基于线性加权Vicsek模型的收缩同步聚类算法	71
6.1　基本概念	71
6.2　SSynC算法的对比与分析	73
6.2.1  SSynC算法描述	73
6.2.2  比较SynC算法、ESynC算法和SSynC算法的动态
同步聚类过程	75
6.2.3  SSynC算法的复杂度分析	83
6.2.4  SSynC算法的参数设置	83
6.2.5  SSynC算法的收敛性	86
6.2.6  SSynC算法的改进	86
6.3　本章小结	87
第7章  基于分而治之框架与收缩同步聚类算法的多层同步聚类方法	88
7.1　MLSynC	88
7.1.1  使用MLSynC的条件	88
7.1.2  MLSynC的两层框架算法描述	90
7.1.3  MLSynC的递归算法描述	91
7.2  MLSynC的分析	92
7.2.1  比较SynC算法、ESynC算法、SSynC算法和
MLSynC的同步聚类过程	92
7.2.2  MLSynC的复杂度分析	98
7.2.3  MLSynC的参数设置	99
7.2.4  MLSynC的收敛性	100
7.2.5  MLSynC的改进	100
7.3　本章小结	100
第8章  基于ESynC算法与微聚类合并判断过程的组合聚类算法	101
8.1　基本概念及性质	102
8.2　组合ESynC算法与微聚类合并判断过程的聚类方法	103
8.2.1  CESynC算法描述	103
8.2.2  CESynC算法中微聚类的合并策略	104
8.2.3  CESynC算法中微聚类的合并判断方法	106
8.2.4  CESynC算法的复杂度分析	107
8.2.5  CESynC算法的参数设置	108
8.3　本章小结	108
第9章  近邻同步聚类模型与指数衰减加权同步聚类模型的
比较与分析	110
9.1　基本概念	110
9.2　基于同步模型的聚类算法框架	112
9.2.1  CNNS	112
9.2.2  CEDS	113
9.3　复杂度分析	114
9.3.1  算法9-1的复杂度分析	114
9.3.2  算法9-2的复杂度分析	115
9.4　参数的优化确定	116
9.5　本章小结	116
第10章  总结与展望	117
10.1　总结	117
10.2　展望	117
参考文献	119
附录A	128
致谢	134

前言
大数据时代，数据量规模变大、维数增多、类型多样化。为了提升聚类算法的适应度、有效性和高效性，基于近邻思想和同步模型的新型、高效聚类算法得到了发展。本书以近邻思想、同步聚类模型及快速同步聚类算法为研究课题，重点研究了基于近邻图与近邻网格图的聚类算法、基于近邻势与单元网格近邻势的聚类算法、快速同步聚类算法、基于Vicsek模型线性版本的同步聚类算法、基于线性加权Vicsek模型的收缩同步聚类算法、基于分而治之框架与收缩同步聚类算法的多层同步聚类方法、基于ESynC算法与微聚类合并判断过程的组合聚类算法等。
本书的创新工作主要表现在以下七个方面。
（1）基于近邻思想与最小生成树，提出了基于近邻图与单元网格图的聚类算法。
（2）基于近邻思想和近邻势的叠加原理，提出了基于近邻势与单元网格近邻势的聚类算法。
（3）利用适用于动态聚类过程的空间索引结构，提出了快速同步聚类算法的三种实现方法。
（4）基于Vicsek模型的线性版本，提出了一种更为有效的同步聚类算法。
（5）基于Vicsek模型的线性加权版本，提出了一种更为高效的收缩同步聚类算法。
（6）面对大数据时代的海量数据处理需求，提出了一种基于分而治之框架与收缩同步聚类算法的多层同步聚类方法。
（7）面对复杂不规则的数据分布，提出了一种基于ESynC算法与微聚类合并判断过程的组合聚类算法。
本书配有主要算法的代码实现等资源。

本书配套资源下载

对不起，暂无音视频资源！

基于近邻思想和同步模型的聚类算法