模糊彩色模型与颜色聚类问题的聚类算法
本文提出了一种相似性驱动的聚类合并算法，用于解决聚类验证问题，算法采用聚类相似度矩阵计算相似性，自适应阈值进行合并，同时使用具有p-范数距离和聚类主成分的修改广义目标函数来进行非监督聚类。
Jul, 2012
本文介绍了一种解决分簇问题的算法，在不允许颜色过于集中的情况下进行经典分簇，使用线性规划方法得到分数解并进行四舍五入，同时提供了特殊情况下经过简化的组合算法。实验表明该算法能够有效地解决分簇问题，避免了过度集中。
May, 2019
本文针对聚类问题，研究了在不完全了解群组成员的情况下的公平性聚类问题，并提出了一种基于概率分配的聚类算法，可保证近似度。同时还探讨了一些基于距离和顺序的群组成员问题。通过实验验证了该方法的有效性。
Jun, 2020
本文讨论了数据聚类问题中的一种情况，提出了使用前缀结构跟踪文本片段到模糊属性的映射过程来解决模糊模式匹配问题的启发式算法。另外，还考虑了模糊模式下最佳分割整个文本的问题，并使用动态规划方法得到解决。
Jan, 2022
我们提出了一种量化评估所有感知对颜色的反应的方法：不同颜色偏好、颜色和谐以及颜色组合偏好。我们的模型通过模糊相似性和分组的比较算法提取出了和谐的调色板，可用于对多彩图像的和谐和偏好进行有用的预测。在服装协调背景下，我们的方法可以根据服装颜色预测个人的喜好。
Aug, 2023
使用模糊逻辑开发了一个用于根据教育成就对学生进行聚类的Python软件，该软件使用Google Colab云服务开发。通过分析教育数据，解决了数据挖掘的问题，通过从大量数据样本中获取教育过程的一些特征。使用经典的K-Means方法在两个特征空间上进行数据聚类，获得的聚类通过模糊三角形隶属函数进行描述，从而正确确定每个学生属于某个聚类的成员资格。
Dec, 2023
提出了一种用于计算调整兰德指数(Adjusted Rand Index, ARI)的单一框架，其中包括三种直观且可解释的随机模型，适用于硬聚类和模糊聚类，并具有较低的计算复杂度。该论文对所提出的模型的理论和假设与现有的排列模型进行了对比，对合理的模型选择对结果的可靠性至关重要。
Dec, 2023
通过将数值和类别信息结合到谱聚类算法中，本文提出一种新的方法来处理混合数据，避免了数据预处理或使用复杂的相似性函数，并展示了相应的聚类目标函数和线性时间复杂度的算法。与其他相关方法相比，实验证明该算法在性能和运行时间上具有竞争力。
Mar, 2024
本文提出了一种新颖的模糊K-Means聚类算法，通过距离矩阵计算获得成员矩阵，从而完全消除了对聚类中心的依赖，增强了距离测量和算法的性能与鲁棒性。实验证明了该算法的有效性。
Apr, 2024