XiaoMi-AI文件搜索系统
World File Search System图聚类
一种多视图聚类的锚点增强策略
近年来，基于锚点的方法在多视图聚类中取得了可喜的进展。这些方法的性能受到锚点质量的显著影响。然而，以前的研究生成的锚点仅仅依赖于单视图信息，忽略了不同视图之间的相关性。特别地，我们观察到相似的模式更有可能存在于相似的视图之间，因此可以利用这种相关性信息来提高锚点的质量，而这同样被忽略了。为此，我们提出了一种新颖的即插即用的通过视图相关性进行多视图聚类的锚点增强策略。具体而言，我们基于对齐的初始锚点图构建视图图来探索视图间相关性。通过从视图相关性中学习，我们使用相邻视图上锚点和样本之间的关系来增强当前视图的锚点，从而缩小相似视图上锚点的空间分布。在七个数据集上的实验结果证明了我们的方法优于其他现有方法。此外，大量的对比实验验证了所提出的锚增强模块应用于各种基于锚的方法时的有效性。
基于Minkowski距离的新型脑电图聚类方法提高癫痫智能诊断能力
本文介绍了一种基于闵可夫斯基数学相似性的新型聚类方法，以改进用于分类的EEG特征选择，并在机器学习的背景下实现高效的粒子群优化（PSO）。鉴于高维医学数据集的复杂性，特征选择在预防疾病和促进公共健康方面起着至关重要的作用。通过采用闵可夫斯基聚类，目标是将数据集记录分组为两个具有高特征一致性的聚类，从而通过应用 PSO 等优化技术来选择最优特征，从而提高准确性。此外，所提出的模型可以扩展到智能数据集，包括EEG和其他数据集。由于精确分类所需的特征较少，因此智能特征选择是机器学习的一个高级步骤。本文研究了影响波恩大学EEG数据集中特征选择的关键因素。将所提出的系统与各种优化和特征选择方法进行了比较，结果表明，在基于准确度测量分析和分类EEG信号方面具有卓越的性能。实验结果证实了所提出的模型作为脑电图数据分类的有用工具的有效性，准确率高达 100%。这项研究的成果有可能通过简化识别和诊断脑部疾病的过程，使相关专业的医学专家受益。从技术上讲，机器学习算法 RF、KNN、SVM、NB 和 DT 用于对选定的特征进行分类。