-
-
基于Cuckoo平台的HDBSCAN恶意代码聚类算法*
... 恶意代码运行环境研究其聚类情况，以此来获得恶意样本模拟运行的行为分析报告；在特征提取上为了全面覆盖恶意代码的主要行为，结合了动态行为特征和内存特征；之后利用t-SNE机器学习算法来对特征属性实现非线性降维；最后对传统的DBSCAN算法进行改进，将改进后的算法HDBSCAN结合恶意代码的行为特征来完成恶意代码的聚类。实验结果表明，相比于经典聚类算法，改进后的聚类算法提高了聚类质量，获得了更好的聚类效果，因此具有较高的可行性。
-
基于密度聚类的能耗数据采集网关设计
现有用电信息采集网络集中器不具备对异常用电量进行检测功能，导致主站对异常用电行为分析与响应滞后。设计一款具备异常检测功能的用电信息采集网关，将网关安装在集中器侧对集中器能耗数据进行异常分析是应对该问题的有效解决方案。根据用电信息采集网络的特征和相关电网规约，网关通过构造数据帧查询主站地址池配置自身地址；基于密度聚类DBSCAN算法和决策树C4.5算法对异常用电行为进行判断。实验结果表明，该网关能够快速地对自身地址进行配置并对能耗数据进行异常分析。
-
一种树木聚集分布格局模拟方法
针对现有聚集分布格局模拟方法存在的模拟结果主观性强、不自然、未考虑树木冠层要素三维空间分布及生态学聚类效应等不足，提出一种新的模拟方法。该方法首先利用形变核方法创建树木二维空间分布，并采用立体体元法对树木逐一开展可种植性判断，之后采用DBSCAN算法对已有的树木分布点位开展聚集区域检测，并对检测后点位进行树种重分配。综合测试表明，本文提出的方法可较好地实现不同林分密度及树种条件下树木聚集分布格局模拟。
-
一种改进的基于密度的聚类算法
基于密度的聚类是聚类算法中的一种，其主要优点是可以发现任意形状的簇，但处理大数据集时效果不佳，为此提出了一种改进的算法M-DBSCAN，保留了基于密度聚类算法的优点，同时克服了以往算法不能处理大数据集的缺点。实验结果证明，M-DBSCAN聚类算法在聚类质量及速度上都比原DBSCAN有较大提高。
-
DBSCAN聚类算法讲稿.ppt
凸型的聚类簇基于距离的聚类因为算法的原因最后实现的聚类通常是类圆形的一旦面对具有复杂形状的簇的时候此类方法通常会无法得到满意的结果这种时候基于密度的聚类方法就能有效地避免这种窘境? 与K-means比较起来你不必输入你要划分的聚类个数也就是说你将不受聚类数目的限制在需要时可以输入过滤噪声的参数 这类算法认为在整个样本空间点中各类目标簇是由一群稠密样本点组成的而这些稠密样本点被低密度区域分割我们通常
-
数据挖掘算法介绍资料教学文稿.ppt
数据挖掘算法介绍资料; 聚类算法 层次聚类 K-means聚类 基于密度的聚类(DBSCAN) 模糊聚类FCM 两步聚类 Kohonen网络聚类 平衡数据SMOTE算法 分类算法 KNN算法 决策树C5.0,CART 人工神经网络 随机森林 支持向量机SVM ;基于密度的聚类;DBSCAN聚类;DBSCAN特点;基本概念;基本概念;算法;两步聚类;两步聚类预聚类;两步聚类预聚类;两步聚类预聚类;两
-
基于局部敏感哈希的DBSCAN聚类算法研究.pdf
中文摘要 摘 要 聚类分析的 目标是在没有先验知识的情况下把数据集分成若干个簇使得簇内 的数据之间的相似度较高而不同簇之间的数据相似度较低比如用户可能并不知 道数据集分类的数目或数据的分布情况作为数据挖掘的一个重要研究分支聚 类分析被广泛应用于很多研究领域如多媒体分类图像分割生物信息学等 按照不同的思想聚类算法可以大致分为基于划分的方法基于层次的方法基于 密度的方法基于网格的方法基于模型的方法基
-
Python数据分析、挖掘与可视化 第8章 sklearn机器学习实战.pptx
08sklearn机器学习实战Python数据分析挖掘与可视化本章学习目标了解机器学习常用的基本概念了解如何根据实际问题类型选择合适的机学习算法了解扩展库sklearn常用模块理解并熟练运用线性回归算法理解并熟练运用逻辑回归算法理解并熟练运用KNN算法理解并熟练运用KMeans算法理解分层聚类算法本章学习目标理解并熟练运用朴素贝叶斯算法理解并熟练运用决策树与随机森林算法理解并熟练运用DBSCAN算
-
机器学习的入门
... ，包括支持向量机，随机森林，梯度增强，k-means和DBSCAN，旨在与Python数值和科学库NumPy和SciPy互操作)**
（ ...
-
机器学习的入门
... ，包括支持向量机，随机森林，梯度增强，k-means和DBSCAN，旨在与Python数值和科学库NumPy和SciPy互操作)**
（ ...
-
Go To English Version 超过100万源码资源，1000万源码文件免费下载
