高性能计算系统中的性能分析是一项重要任务，本文主要贡献是识别出最适合于根据高性能计算系统中作业行为对其进行分类的度量标准，并验证了网络流量监测相关的度量标准与层次聚类算法在此任务中的适用性。

Dec, 2023

本文研究了基于 KMeans 算法的聚类过程作为反问题的特殊情况，探索了通过主成分分析来改进聚类反问题质量的尝试，并比较了两种定量特征选择方法之间的关系。使用神经科学数据库中的功能性磁共振成像范例来验证结果。

Nov, 2022

本研究比较了 K-means 聚类、OPTICS 和高斯混合模型聚类 (GMM)，研究从振动数据集的时域和频域中提取的统计特征以及特征组合和主成分分析在聚类算法性能上的影响，并发现平均值和方差特征表现显著优于基于形状的特征，K-means 聚类略优于 GMM，而 OPTICS 性能显著较差。同时，随着簇数目的增加，聚类算法表现更好，但存在特定算法限制。

May, 2023

通过综述与评估 12 种最先进的 KPI 异常检测方法并提出了一种新的评估指标 “显著性”，该研究为未来的学术研究与工业应用提供了基础。

Jan, 2024

公交出行特征提取方法利用 POI 数据，采用增强的 P-KMENAS 和 P-LDA 算法来克服传统算法的局限性，有效地挖掘了与年龄、职业、性别、运动、费用、安全和个性特征等多个方面相关的公交出行行为，从而提升了公交出行的优化效果。

Dec, 2023

本文提出了一种利用二元值向量映射到低维连续特征空间所得到的隐含类别作为协变量类进行聚类的策略，实现了在分类大数据上有效地进行聚类，以提供个性化推荐系统和商业智能决策支持。

May, 2023

研究使用 Influential Features PCA (IF-PCA) 方法，通过选取 Kolmogorov-Smirnov（KS）得分最高的小部分特征，利用 k-means 算法估计标签来解决聚类问题，特别针对”p>>n” 现代情况中，传统聚类方法面临的挑战以及基因微阵列数据集中的错误率高问题，其在 10 个基因微阵列数据集中表现出竞争性较强的聚类效果，并在文中发现了关于实证零的现象以及三个数据集中”IF-PCA” 错误率极低的结果。

Jul, 2014

本文研究具有多台服务器的分布式计算环境，通过开发 PCA 算法来处理点集的低维子空间问题，进而解决异常检测以及聚类等计算问题，提出的新算法显著降低了 $k$-means 聚类与相关问题的计算以及通讯成本，并且经过实验验证，在解决方案质量方面具有忽略不计的退化。

Aug, 2014

我们提出了一种非参数特征选择方法，包括多模检验，核密度估计和模式聚类，并提供了聚类结果的错误率边界。此外，我们首次提供了基于模式的聚类的误差界限。

Jun, 2014

应用 PCA 算法在高性能设备上实现降维以增加高光谱成像算法的效率和性能，并与 FPGA 实现进行比较以揭示各自的优缺点。

Mar, 2024