.png){kind=icon}
返回
Histogram self-organizing map for cluster detection and visualization
.png){kind=icon}
PRE
AI
DOI：10.1007/s00521-025-11530-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
直方图数据的聚类，在保留重要分布信息的同时，由于现有方法的局限性，仍是一个重大挑战。本文提出了一种新颖的两级聚类算法，专为直方图数据设计。该算法整合了自组织映射（SOM）框架与$$L_2$$ Wasserstein距离，以捕捉位置、尺度及形状等分布特征。通过利用局部密度和连通性度量来丰富原型，该方法能够在无先验知识的情况下自动推断聚类数目。在合成数据集和真实数据集上的实验结果表明，相较于其他基于距离或基于直方图的方法，所提方法在结果质量、计算效率以及通过拓扑保持可视化实现的可解释性方面均表现出色。
Keyword:
Self-organizing map
Histogram clustering
Wasserstein distance
Density-based clustering
Automatic cluster detection
期刊
IF:
4.5
论文数:
941
被引数:
3.2W
机构
引用论文
Watersheds in digital spaces: an efficient algorithm based on immersion simulations数字空间中的流域: 一种基于沉浸模拟的高效算法
PREAI
分享收藏An extensive comparative study of cluster validity indices聚类有效性指标的广泛比较研究.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏A New Wasserstein Based Distance for the Hierarchical Clustering of Histogram Symbolic Data基于Wasserstein距离的新型直方图符号数据层次聚类方法
PREAI
分享收藏
查看更多内容