This paper proposes a solving method of grid granularity in spatial data clustering.
提出一种空间数据聚类中的网格粒度求解方法。
参考来源 - 空间数据聚类中的网格粒度求解方法MGASM-PPGA(psedo-parallel genetic algorithm) is applied in data-clustering problem. Emulational experimental figures show it has nice performance.
将MGASM-PPGA应用到了数据聚类问题中,进行了仿真实验,获得了理想的实验结果。
参考来源 - 一种改进多亲遗传算法的并行模型研究 in CIn this paper, we do a lot of experiments on artificial data and real world data, and make a comparison with classical data clustering methods. The experimental results prove its great advantage over others.
本文中，我们将它与传统的数据聚类方法分别对模拟数据和真实数据做以实验，并加以比较，证明了该方法优于传统方法，验证了它的优良性。
参考来源 - 基于脉冲耦合神经网络的图像检索与数据聚类·2,447,543篇论文数据，部分数据来源于NoteExpress
数据聚类是数据挖掘中的一个重要课题。
在子空间聚类引入核函数以提高数据聚类性能。
Kernel function is introduced to subspace clustering to improve the clustering performance.
数据聚类或分割就是其中的一种重要的数据发掘应用。
Clustering or segmentation of data is an important data mining application.
所谓数据聚类是指根据数据的内在性质将数据分成一些聚合类，每一聚合类中的元素尽可能具有相同的特性，不同聚合类之间的特性差别尽可能大。 聚类分析的目的是分析数据是否属于各个独立的分组，使一组中的成员彼此相似，而与其他组中的成员不同。它对一个数据对象的集合进行分析，但与分类分析不同的是，所划分的类是未知的，因此，聚类分析也称为无指导或无监督的(Unsupervised)学习。聚类分析的一般方法是将数据对象分组为多个类或簇(Cluster)，在同一簇中的对象之间具有较高的相似度，而不同簇中的对象差异较大。由于聚类分析的上述特征，在许多应用中，对数据集进行了聚类分析后，可将一个簇中的各数据对象作为一个整体对待。 数据聚类 (Cluster analysis) 是对于静态数据分析的一门技术，在许多领域受到广泛应用，包括机器学习，数据挖掘，模式识别，图像分析以及生物信息。
应用推荐