聚类

极客学术工坊

2022年第十二届MathorCup高校数学建模挑战赛-D题移动通信网络站址规划和区域聚类问题随着通信网络的复杂化程度不断增加，基站的选址问题在实际作业中显得愈发重要。本文通过对新建基站如何选址和对弱覆盖点区域聚类进行研究，综合考虑基站建设的成本、覆盖率等限制条件，构建免疫-遗传算法优化模型，为弱覆盖点的聚类问题提供可行性的基础。

微算法科技（NASDAQ MLGO）采用动态层次管理和位置聚类技术，修改pBFT算法以提高私有区块链网络运行效率在数字化转型加速的背景下，私有区块链网络面临着效率与扩展性的双重挑战。传统实用拜占庭容错算法（pBFT）在节点规模扩大时，通信复杂度呈指数级增长，导致共识时延增加和资源消耗加剧。与此同时，静态网络架构无法动态适应节点性能波动与地理位置差异，进一步制约了系统吞吐量。微算法科技（NASDAQ MLGO）针对这一痛点，提出了基于动态层次管理与位置聚类技术的pBFT优化方案，通过重构网络拓扑与共识逻辑，显著提升了私有区块链的运行效率。

数学建模算法案例精讲500篇-【数学建模】DBSCAN聚类算法目录前言算法原理相关术语DBSCAN的主要特点DBSCAN算法动态示意图样本点组成DBSCAN算法思想

聚类（Clustering）详解：让机器自己发现数据结构在数据科学和机器学习的众多任务中，聚类（Clustering）是最具探索性的一类。与分类不同，聚类不依赖人工标注的数据，而是让算法自主地从数据中发现规律和分组。本文将系统介绍聚类的核心思想、常见算法、优缺点及应用场景。

【机器学习12】无监督学习：K-均值聚类与异常检测视频链接吴恩达机器学习p102-p111到目前为止，我们课程的大部分内容都聚焦于监督学习（Supervised Learning）。然而，机器学习的领域远不止于此。

机器学习核心概念详解（回归、分类和聚类）机器学习中有三个最核心、最基础的概念：回归、分类和聚类。它们代表了三种不同的任务类型和思维方式。首先，我们可以通过一个表格快速把握三者的核心区别：

浣熊-论文指导

聚类与Transformer融合的六大创新方向1. 自监督表征学习架构构建Cluster-Former框架，实现基于原型学习的无监督预训练；提出Proto-MAE方法，通过原型引导的掩码自编码机制增强特征表示质量。

基于3D激光点云的障碍物检测与跟踪---(2)点云聚类经过滤波、地面与障碍物点云分割后，这些点云混杂在同一个坐标空间，如果不进行聚类，就无法区分每个目标的范围与形状。

负荷聚类及其在MATLAB中的实现负荷聚类是指通过对用户或测量点的用电负荷数据（通常是功率随时间变化的曲线，即“负荷曲线”）进行处理和分析，根据其用电模式的相似性，自动地将它们划分为不同的类别（簇）。

Annals of Neurology | EEG‘藏宝图’：用于脑电分类、聚类与预测的语义化低维流形摘要目标：由于病因和病理生理学的异质性，以及由此导致的脑电图(EEG)高度可变性，意识障碍(DOCs)患者的预后评估仍然具有挑战性。在这里，本研究利用易于表征的EEG模式构建了一个潜在映射，将新的EEG数据定位在一个连续谱上。本研究通过以心脏骤停后预后作为首个应用案例，评估该映射作为一种通用工具从长程EEG中提取具有预后价值信息的能力。

肘部法找k产生的原因是因为聚类的目标是最小化化簇内距离之和（wcss）。因此基于目标函数，我们会得知以下三个规律：（规定真实簇的个数为n）

Day 18 推断聚类后簇的类型@浙大疏锦行今日任务：在Day 17 的学习中，了解了三种聚类算法的使用。但是如果仅得到聚类后的结果而不赋予实际含义，那么聚类将毫无意义。聚类回答了“是什么”的问题，而给聚类标签赋予实际意义则解决“为什么”的问题。

【PYTHON学习】推断聚类后簇的类型DAY18聚类后的分析：推断簇的类型知识点回顾：由AI辅助归纳最终得到：（PCA主成分分析）是一种降维算法，主要作用是：用尽量少的维度，保留尽可能多的数据信息。帮助你把高维聚类结果投影成低维图像方便看。

【文献分享】通过基于大型语言模型嵌入的蛋白质的 k 均值聚类来探索同源性检测从序列信息中推断蛋白质的同源性对于理解物种进化以及实现功能注释的转移至关重要。除了基于相似性的方法外，还开发了多种利用不同方式表示蛋白质数据的机器学习方法。

做科研的周师兄

中国逐日格点降水数据集V2（1960–2024，0.1°）CHM_PRE V2数据集是一套高精度的中国大陆逐日格点降水数据集。该数据集基于1960年至今共3476个观测站的长期日降水观测数据，并纳入11个降水相关变量，用于表征降水的相关性。数据集采用改进的反距离加权方法，并结合基于机器学习的LGBM算法构建。CHM_PRE V2与现有的格点降水数据集（包括CHM_PRE V1、GSMaP、IMERG、PERSIANN-CDR和GLDAS）表现出良好的时空一致性。数据集基于63,397个高密度自动雨量站2015–2019年的观测数据进行验证，发现该数据集显著提高了

聚类之KMeans学习目标：1.知道什么是聚类2.了解聚类算法的应用场景3.知道聚类算法的分类一种典型的无监督学习算法，主要用于将相似的样本自动归到一个类别中。

小喵要摸鱼

【机器学习】无监督学习 —— K-Means 聚类、DBSCAN 聚类K‑Means 聚类是一种无监督机器学习算法，通过数据点的内在相似性将其分组为簇。目标是将数据集划分为 k k k 个簇，使得每个簇内的数据点彼此之间的相似度高于与其他簇中的数据点的相似度。

多目标识别YOLO :YOLOV3 原理YOLO 的全称是 You Only Look Once，是一种单阶段（one-stage）的目标检测算法。其核心思想是将目标检测任务作为一个回归问题来处理，只需“看”一次图像（通过一个神经网络）就能预测出图像中所有目标的边界框和类别概率。

机器学习基础入门（第四篇）：无监督学习与聚类方法目录一、前言二、无监督学习的基本概念1. 定义2. 特点3. 常见任务三、聚类（Clustering）的核心思想

机器学习——聚类kmeans算法详解根据聚类颗粒度分类：根据实现方法分类：假设有如下数据，现在希望将数据划分为两类随机设置K个空间内的点作为初始的聚类中心（例子中选择2个，分别为P1和P2）