一种基于旋转超盒和引力场融合的聚类算法

针对传统聚类算法处理复杂分布数据的不足,提出了一种新型的基于旋转超盒和引力场融合的聚类算法.该算法由1)数据集归一化;2)利用旋转超盒构造初始类别;3)借助引力场概念对初始类别进行融合3个步骤构成.仿真结果表明,该算法在无需聚类数目的情况下,对复杂分布数据具有很好的聚类效果.

一种基于旋转最小-最大超盒的聚类算法

针对传统聚类算法无法解决复杂分布数据聚类的问题 ,本文提出了一种基于旋转最小 -最大超盒的聚类算法 .该算法首先对数据集归一化处理 ,然后借助旋转最小 -最大超盒对样本空间进行划分 ,从而生成一系列的初始分类 ,最后利用类别间的可融合度概念将初始类别融合为最终的聚类 .仿真结果表明 ,该算法在无需聚类数目的前提下 ,对复杂分布数据具有很好的聚类效果 ,其聚类性能与传统的

海杂波中基于混沌预测的目标检测方法改进

基于记忆库非线性预测的NP CFAR方法是目前混沌海杂波背景中目标检测的一种典型而先进的方法 .考虑到海杂波功率与特征的时变不稳定性 ,本文提出运用旋转超盒分类取代这一方法中的NP CFAR进行目标检测 ,并探讨了运用盒维数特征提取进行预处理以节省运算开销的问题 .仿真实验验证了本文所提改进方法的有效性 .