现有的基于密度的数据流聚类算法难于发现密度不同的簇，难于区分由若干数据对象桥接的簇和离群点.本文提出了一种基于共享最近邻密度的演化数据流聚类算法.在此算法中，基于共享最近邻图定义了共享最近邻密度，结合数据对象被类似的最近邻对象包围的程度和被其周围对象需要的程度这两个环境因素，使聚类结果不受密度变化的影响.定义了数据对象的平均距离和簇密度，以识别离群点和簇间的桥接.设计了滑动窗口模型下数据流更新算法，维护共享最近邻图中簇的更新.理论分析和实验结果验证了算法的聚类效果和聚类质量

文中给出了各种改进烟花算法的机制分析和对比研究,最后,给出了烟花算法的未来研究方向,包括爆炸算子搜索机制的深入分析、烟花交互机制研究、多目标烟花算法研究、并行烟花算法研究、扩展烟花算法求解的问题类型以及应用拓展

第二章算法 algorithm 2.1算法的概念 2.2简单算法举例 2.3算法的特性 2.4算法的表示 2.5结构化程序设计方法

2.1 算法的概念 2.2 简单算法举例 2.3 算法的特性 2.4 怎样表示一个算法 2.5 结构化程序设计方法

8.9.1DEA算法 瑞士的 Xuejia LaiJames和 Massey于1990年 公布了DEA密码算法第一版,称为PES (Proposed Encryption Standard).为抗击 差分密码攻击,他们增强了算法的强度, 称PES( Improved PES),并于1992年改 名为da(International Data Encryption Algorithm,国际数据加密算法。)

一、算法与程序 二、算法复杂性分析 三、用C++语言描述算法的方法

2.1 算法的概念 2.2 简单算法举例 2.3 算法的特性 2.4 怎样表示一个算法 2.5 结构化程序设计方法

2.1 算法的概念 2.2 简单算法举例 2.3 算法的特性 2.4 怎样表示一个算法 2.5 化程序设计方法

本文把物理学中的万有引力定律引入推荐系统,提出一种个性化推荐算法,即基于万有引力的个性化推荐算法.算法把用户使用的标签看作用户喜欢物体的组成颗粒,标注项目的标签被看作项目物体的组成颗粒,社会标签的类型就是颗粒的类型,由此构建了用户喜好物体模型和项目物体模型.喜好物体和项目物体间存在着万有引力,并且引力大小遵循万有引力定律.计算喜好物体和项目物体间的万有引力,并把该引力大小作为二者的相似度度量,引力越大,二者的相似度就越高,对应的项目物体就越有可能被用户喜欢.实验结果证明本文提出的算法可以获得好的推荐性能

CABOSFV_C是一种针对分类属性高维数据的高效聚类算法,该算法采用集合稀疏差异度进行距离计算,并采用稀疏特征向量实现数据压缩.该算法的聚类效果受集合稀疏差异度上限参数的影响,而该参数的选取没有明确的指导.针对该问题提出基于集合稀疏差异度的启发式分类属性数据层次聚类算法(heuristic hierarchical clustering algorithm of categorical data based on sparse feature dissimilarity,HABOS),该方法从聚结型层次聚类思想的角度出发,在聚类数上限参数的约束下,应用新的内部聚类有效性评价指标(clustering validation index based on sparse feature dissimilarity,CVISFD)进行启发式度量,从而实现对聚类层次的自动选取.UCI基准数据集的实验结果表明,HABOS有效地提高了聚类准确性和稳定性