Jan, 2024

基于 z 归一化和 NP-Free 的 k-means 时间序列聚类评估

PDF
TL;DR该论文对 k-means 时间序列聚类进行了全面评估，重点研究了两种不同的标准化技术：z - 标准化和 NP-Free，并通过实验使用轮廓分数评估了它们对聚类质量的影响，填补了这方面研究的空白，为时间序列聚类的发展提供了有价值的见解。
k-means time series clusteringcomprehensive evaluationtime series normalizationz-normalizationnp-free
发现论文，激发创造
  • 使用欧几里得距离和皮尔森相关系数进行时间序列聚类

    本文研究了时间序列比较中的标准化 Z-score 欧几里得距离与 Pearson 相关性距离的等价性及其对基于距离的分类或聚类方法的深刻影响，并提出了标准 k-Means 算法需要修改以保持与 Pearson 相关性的严格一致性的建议。实验结果表明，标准 k-Means 算法通常产生相同的结果。

    Jan, 2016

  • 超球上小方差的非参数聚类

    本文提出了基于 Bayesian 非参数 von-Mises-Fisher 混合分布的小方差限制的两种新的灵活高效的聚类算法，这些算法自然地与方向数据的几何结构相符，旨在描述人工环境中的表面正常分布，其在计算机视觉应用中具有重要意义，包括场景理解、平面分割和三维重建的规则化。

    Jul, 2016

  • 带谱范数和 k-means 算法的聚类

    该论文证明了一个简单的聚类算法可以在不假设任何生成模型的情况下运作，只需要假定一种叫做 “接近条件” 的规律。该算法依赖于著名的 k-means 算法，能够产生大多数现有生成模型的结果，同时提出了一种新的技术来提高间距与标准差之比。

    Apr, 2010

  • 确定时间序列数据的符号模式森林的最佳聚类数量

    我们扩展了 Symbolic Pattern Forest 算法，通过使用 Silhouette Coefficient 指标选择生成的聚类数量来确定时间序列数据集的最佳聚类数，实验结果显示显著改进。

    Oct, 2023

  • 从流形学习的角度重新思考 k-means

    该论文提出了一种基于流形学习和张量正则化的聚类算法，不同于传统的基于 k-means 的方法，该算法通过构建距离矩阵来直接检测数据簇，同时应用于多视图数据中，证明了其优越性能。

    May, 2023

  • 利用量子启发式计算技术聚类时间序列图像的方法

    本研究提出了一种利用退火机的新型时间序列聚类方法，对时间序列数据进行分类的同时，具有去除异常值的鲁棒性。与现有的聚类方法相比，该方法在分类结果上获得了更好的表现。

    May, 2023

  • 基于两种新距离的有序时间序列模糊聚类及其经济应用

    本文针对序列响应的类别性时间序列聚类问题，提出了基于原型聚类方法的两种距离度量，并采用模糊聚类方法提高了其计算效率和准确性，所提方法在经济学时间序列应用中具有很好的可行性。

    Apr, 2023

  • 归一化在随机块模型谱聚类中的作用

    本文讨论了谱聚类技术和其相应的归一化和未归一化变体，针对随机块模型，理论上证明了归一化可以在广泛的参数范围内使数据点聚集在一起。

    Oct, 2013

  • 使用特征重新缩放因子恢复带有噪声特征的数据集中的聚类数

    本文介绍了三种重新调整数据集以提高对具有附加噪声特征的球形高斯簇返回聚类有效性指数的真实数量的可能性的方法，论文实验表明这些方法可以在不同聚类中考虑到不同特征的度量，以及这些方法可以增加估计数据集中真实聚类数量的准确性。

    Feb, 2016

  • 模型适应新的规范：无监督时间序列异常检测的测试时间调整

    针对非监督时间序列异常检测研究中的 ' 新常态问题 '，本文提出了一种基于趋势估计和自监督方法的简单而有效的测试时间适应策略，通过在推理过程中学习新的常态性，从而提高异常检测器的性能并增强对分布变化的鲁棒性。

    Dec, 2023