公开(公告)号：CN118379748A

公开(公告)日：2024-07-23

申请号：CN202410618763.6

申请日：2024-05-17

Applicant: 哈尔滨理工大学

Inventor： 万静 ,  亓倩 ,  唐璐

IPC: G06V30/19 ,  G06V10/82 ,  G06V30/22 ,  G06N3/045 ,  G06N3/084 ,  G06N3/088

Abstract: 本发明涉及一种基于深度神经网络的谱聚类方法。本发明首先对原始数据集进行预处理，对数据进行特征缩放操作，使不同特征之间的尺度保持一致。通过KNN对数据进行处理，得到数据点对。然后利用数据点对对Siamese网络进行训练，得到数据点之间的相似性度量；计算拉普拉斯矩阵，得到特征值和特征向量，利用特征向量对自组织映射神经网络进行训练，得到自组织映射神经网络的权值，在训练完成的模型上进行聚类，得到聚类结果；利用MNIST数据集进行测试，验证了该方法的有效性，本发明能够有效地捕捉到数据的内在特征和潜在规律，提高了聚类的准确率和可靠性，同时也增强了模型对不同类型数据的适应性和泛化能力，为数据分析和处理提供了更有力的支持和保障。此外还可以将高维数据映射到二维或三维的拓扑结构上，使得聚类结果可以通过可视化方式呈现，从而提升了整体系统的性能。

公开(公告)号：CN118211134A

公开(公告)日：2024-06-18

申请号：CN202410240864.4

申请日：2024-03-02

Applicant: 哈尔滨理工大学

Inventor： 何云斌 ,  唐璐 ,  亓倩

IPC: G06F18/2413 ,  G06F18/23 ,  G06F18/10 ,  G06F16/901

Abstract: 本发明涉及一种基于加权局部异常因子的K‑近邻聚类算法。本发明首先对LO算法做出改进，利用改进规则为数据赋予权重，并做归一化处理，使数值范围在(0,1)之间；再根据加权局部离群因子LOF的值找出数据异常点。最终对正常点的数据进行K‑近邻聚类。利用UCI数据库中的6组标准版公开数据集进行测试，验证了该方法可以有效降提高谁选异常点，提高K‑近邻算法精度。本发明更准确分析了数据集原始分布情况，降低了样本间的冗余性，从而提高了分类器的性能。