模糊均值偏移的收敛性分析
本文研究了平均漂移算法中核密度估计模态的收敛性问题,通过 Lojasiewicz 不等式证明了模态的收敛性和收敛速度,该结论对基于核密度估计模态估计的非负核函数具有重要的理论参考价值。
May, 2023
本文中,我们聚焦于模糊均值漂移算法,并证明了其收敛性和一致性,并进行模拟研究比较了模糊和非模糊版本的均值漂移算法效率高低,结果表明,模糊均值漂移算法更加高效。
May, 2013
本论文分析了 Epanechnikov Mean Shift 算法的收敛行为,提出了一种修正方案使其保证在有限次迭代内在估计密度的局部最大值处结束,而无需从每个数据点开始进行迭代,具有很好的聚类准确性。
Nov, 2017
本文讨论了基于核密度估计和均值漂移算法的聚类方法及其理论,包括模糊和非模糊均值漂移、高斯混合模型、与尺度空间理论、谱聚类等算法的联系,以及对大型数据集的加速策略和图像分割、去噪等应用。
Mar, 2015
本文研究了基于 MAP 优化的盲反卷积方法,提出了一种改进的能量函数,更清晰地揭示了盲反卷积的工作方式,并且说明该能量函数在特定条件下实际上可以支持正确的解决方法,为比较不同的模糊核的质量提供了一种方法,并且在选择模糊核的大小、使用光线估计模糊核和估计焦点方面也有应用。
Nov, 2016
本研究提出了一种基于随机版本均值漂移聚类算法,与确定性的均值漂移聚类相比,在合成的二维和三维数据集上进行了集群纯度和类数据纯度的比较,发现随机均值漂移聚类在大多数情况下优于确定性均值漂移。
Dec, 2023
该研究提出了一种基于侧面信息学习数据聚类的新方法,使用自定义迭代神经网络实现 Differentiable Mean Shift(DMS)进行聚类,该方法不需要知道聚类数量、中心点或任何距离度量,可在不同任务需要的情况下将相同的数据点分成不同的类别,且 DMS 在固有和非固有数据集任务中表现优异。
May, 2023
介绍了将基于距离矩阵的聚类算法 Medoid-Shift 应用于社区检测问题,并通过改进,提出了适用于社区检测的 Revised Medoid-Shift 算法,该算法采用基于 KNN (最近邻) 的邻域算法,收敛更为稳定。
Apr, 2023
本文提出一种低复杂度的高斯消息传递迭代检测(GMPID)算法,用于海量多用户多输入多输出(MU-MIMO)系统,并提出了一种新的收敛 GMPID 算法,称为 SA-GMPID 算法,其在任何 $K < M$ 的情况下均以均值和方差收敛到 MMSE 检测,并且比 GMPID 具有更快的收敛速度,但与 GMPID 的复杂度相同。
Jun, 2016