针对Science发表的密度峰值聚类(Density peaks clustering,DPC)算法及其改进算法效率不高的缺陷,提出一种相对邻域和剪枝策略优化的密度峰值聚类(Relative neighborhood and pruning strategy optimized DPC,RP-DPC)算法.DPC聚类算法...
详细信息
针对Science发表的密度峰值聚类(Density peaks clustering,DPC)算法及其改进算法效率不高的缺陷,提出一种相对邻域和剪枝策略优化的密度峰值聚类(Relative neighborhood and pruning strategy optimized DPC,RP-DPC)算法.DPC聚类算法主要有两个阶段:聚类中心点的确定和非聚类中心点样本的类簇分配,并且时间复杂度集中在第1个阶段,因此RP-DPC算法针对该阶段做出改进研究.RP-DPC算法去掉了DPC算法预先计算距离矩阵的步骤,首先利用相对距离将样本映射到相对邻域中,再从相对邻域来计算各样本的密度,从而缩小各样本距离计算及密度统计的范围;然后在计算各样本的δ值时加入剪枝策略,将大量被剪枝样本δ值的计算范围从样本集缩小至邻域以内,极大地提高了算法的效率.理论分析和在人工数据集及UCI数据集的对比实验均表明,与DPC算法及其改进算法相比,RP-DPC算法在保证聚类质量的同时可以实现有效的时间性能提升.
针对多准则群决策问题,提出了一种新的关于专家评价组内优势关系,在概率语言型Z-number(Probabilistic Linguistic Z-number)环境中应用TODIM、PROMETHEE决策方法结合起来的一个新的决策方法,不仅避免了TODIM方法的补偿问题,也有效地反...
详细信息
针对多准则群决策问题,提出了一种新的关于专家评价组内优势关系,在概率语言型Z-number(Probabilistic Linguistic Z-number)环境中应用TODIM、PROMETHEE决策方法结合起来的一个新的决策方法,不仅避免了TODIM方法的补偿问题,也有效地反映了准则的权重;首先通过引入新定义的影响因子、敏感因子和附加因子确定了组内优势关系,其中敏感因子具有举足轻重的作用;随后根据新的优势关系定义了组内偏离度,据此将同一评价可信度的PLZN融合;其次,根据各组专家评价的可信度,将不同可信度的评价融合,由此新定义了综合偏离度;进一步利用新的决策方法:TODIM-PROMETHEE,先后得到了准则的权重以及综合优势度,根据净流判断方案的先后顺序;最后通过一个实例的应用与分析说明新决策方式的有效性与可行性。
多粒度网络表示学习方法因其在学习节点表示过程中可以保留网络的多粒度特征而受到越来越多的关注.该类方法主要经过粗化和细化两个阶段.现有的工作侧重于设计粗化策略以压缩网络规模获得网络的多粒度结构.但是如何保留这种多粒度结构,将粗粒度空间的节点表示细化回原始网络仍具有挑战.本文提出一种基于聚合多阶邻域信息的细化方法的多粒度网络表示学习方法NRAM(Network Refinement based on Aggregating Multi-neighboring information).首先,对于粗化阶段生成的多粒度网络,仅利用现有的网络表示学习方法学习最粗粒度网络的表示;然后将从粗粒度网络继承的节点表示和细粒度网络的结构信息相融合得到细粒度网络的初始嵌入;最后通过聚合节点多阶邻域信息的方式得到细粒度网络的节点表示,迭代该过程直到获得原始网络的节点向量.在3个公共数据集上节点分类的结果证明了NRAM的有效性.
暂无评论