2025年澳门精准资料大全,2025澳门特马今晚开奖亿彩网,2025澳门最新免费资料大全,今天晚9点30开特马开

近期，計算機與信息科學(xué)學(xué)院2021級本科生彭杰在中科院1區(qū)Top期刊《Applied Soft Computing》上發(fā)表學(xué)術(shù)論文“Density-based clustering with boundary samples verification”，陳勇副教授為通訊作者。

在機器學(xué)習(xí)領(lǐng)域，基于密度的聚類方法是一個重要研究方向。傳統(tǒng)密度聚類技術(shù)主要通過分析數(shù)據(jù)的局部密度來對樣本進行分類。然而，當(dāng)處理邊緣區(qū)域樣本時，這些方法面臨著較大挑戰(zhàn)，如在低密度邊界樣本易被誤判為噪聲，在密度相近且鄰近的兩個群簇之間準(zhǔn)確劃分邊界點的困難。

該研究提出了一種基于K最近鄰的密度聚類邊界樣本改進方法，通過深入分析樣本與其K最近鄰的空間關(guān)系及其與新形成的簇之間的連接性，有效識別邊界樣本。在所有簇完全形成后，進一步根據(jù)樣本的K最近鄰調(diào)整其分類標(biāo)簽，從而顯著提高對邊界樣本的分類精度。該研究通過在18個公開數(shù)據(jù)集上進行的廣泛實驗，驗證了所提出方法的有效性。實驗結(jié)果清楚地展示了該方法在處理邊界樣本方面的獨特優(yōu)勢，能夠有效提升聚類的準(zhǔn)確性和魯棒性。

原文鏈接