双聚类

摘要： 随着数据的爆炸式增长,推荐系统中传统的协同过滤推荐算法出现了难以处理稀疏数据和准确率降低的问题.对此,提出一种基于多维度上下文和双聚类的个性化推荐算法(MCB).该算法采用K-means聚类方法分别对用户和项目进行双聚类,并在传统的项目评分预测算法上进行改进,提出一种多维度的个性化评分预测(MPRP)算法.MPRP算法利用上下文维度间的相关性对用户评分进行修正,并考虑用户评分的权重问题,引入基于统计学习的系统误差因子,提高了评分预测的准确性.实验结果表明,MCB算法具有预测误差更小、推荐结果的覆盖率和新颖性更高的优点.

摘要： 基因表达数据是由DNA微阵列实验产生的大规模数据矩阵,双聚类算法是挖掘数据矩阵中具有较高相关性的子矩阵,能有效地提取生物学信息.针对当前多目标双聚类优化算法易于陷入早熟和局部最优解等问题,论文提出了基于逻辑运算的离散人工蜂群优化双聚类算法(LOABCB算法),一方面引入人工蜂群算法增强双聚类的全局寻优能力,另一方面通过逻辑运算邻域搜索策略寻找最优双聚类,提高搜索效率.采用基因表达数据的酵母细胞数据集进行实验,结果表明论文算法能够获得实验效果优的具有生物意义的双聚类.

摘要： 介绍双聚类概念、基本原理以及相关研究、应用情况,阐述双聚类使用工具和方法,通过案例分析双聚类在医学文本挖掘中的具体实现过程,提出双聚类在数据挖掘方法中的应用前景,为相关研究提供参考.

摘要： 有效地处理多视图数据成为了双聚类算法的发展趋势.现有多视图双聚类算法致力于寻找更有效的降维、填充缺失值的方法和整合多源数据以提升聚类效果,以期更准确地识别肿瘤异质性.然而,这些方法普遍采用单向聚类算法,无法挖掘单细胞转录组数据中重要的局部信息.本文提出了一种多视图子空间双聚类算法(Multi-View Bi-Clustering,MVBC),MVBC首先通过稀疏矩阵分解从多视图数据中提取更为稠密的子空间,再在子空间上进行三因子矩阵分解得到双聚类,并且使用流行正则项进一步提高聚类的精度.本文将子空间学习与双聚类统一学习优化,增强彼此间的耦合性,并给出了相应的迭代优化方法.在大型多视图稀疏数据上的实验结果表明,MVBC比已有相关方法能更准确地识别双聚类簇,有效地指导多视图数据分析.

摘要： 基因表达数据隐藏着丰富的生物信息,双聚类算法是挖掘这些生物信息的有效手段.双聚类算法一直被认为是一个NP-hard问题,而蝙蝠算法在解决NP-hard问题上有很大的优势.本文在蝙蝠算法的基础上提出了一种基于改进蝙蝠算法的双聚类算法(Bi-clustering based on Improved Bat Algorithm,BIBA).通过在酵母细胞基因数据集上的实验表明BIBA算法能够得到MSR值更小、体积更大的双聚类.

摘要： 癌症亚型识别在肿瘤异质性分析中具有重要意义.双聚类可以在大规模基因表达数据的基因和样本维度上同时进行聚类分析,发现部分样本在部分基因子集上表达相似的双聚类簇,进而发现相应的癌症亚型,为癌症的精准基因治疗等提供了重要的信息.双聚类算法通过结合基因相互作用网络数据,可进一步提高癌症亚型分类的准确度,但已有整合基因网络的双聚类算法通常仅基于基因的度加权选择基因,易受网络中噪声互作的干扰和缺失互作的误导.为此,该文提出了一种基于基因互作网络正则化的双聚类算法(Network Regularized Bi-Clustering algorithm,NetRBC).NetRBC首先通过最小化聚类簇上的均方残差分别求取癌症基因表达数据矩阵上的基因簇和样本簇指示矩阵;然后利用基因网络和基因簇指示矩阵构建图正则项;最后将此正则项结合到基于均方残差的非负矩阵分解中,约束基因簇和样本簇矩阵的协同分解,以期提高癌症亚型分类的精度.在多个癌症基因表达数据上的实验结果表明,NetRBC比已有相关方法能够更准确地区分癌症亚型.

摘要： Science and technology novelty search is an important part of sci-tech information service. It has signifi-cant meaning to scientific and technological innovation and transformation. The paper acquired the relative articles from CSSCI to find out the core authors, and seven research fields by biclustering algorithm. Furthermore, it analyzed the knowledge bases and research focuses of these fields systematically.%科技查新作为科技信息服务的重要组成部分,对科技创新和科技成果转化具有重要意义.本文通过CSSCI数据库获取相关论文,找出该领域的代表作者,通过双聚类算法得到7个研究方向,并系统深入地分析了方向的知识基础与研究大热点.

摘要： 通过双聚类分析方法探讨国际电子健康素养领域研究热点,具体包括电子健康素养与医疗卫生服务研究、干预研究、实证调查研究、量表开发与验证研究、基于互联网的健康相关行为研究,以期为我国电子健康素养研究提供参考.

摘要： 协同过滤算法是个性化推荐系统中采用最为广泛的推荐技术，但已有的方法仅能实现独立用户空间或项目空间搜索邻居，而不能综合有效地考虑用户与项目之间的二元关系。本文提出一种基于双聚类的协同过滤推荐算法，采用综合考虑用户和项目的双聚类数据挖掘算法，从而发现具有局部兴趣相似性的用户模式。实验结果表明，本文算法可获得较传统的协同过滤算法更优的推荐结果。

摘要： 基于从多个设施获取到的脑测量数据来执行具有规定的属性的受验者的聚类的、脑功能连接相关值的聚类装置在多个MRI装置中对于健康群、患者群拍摄静息态的fMRI图像数据，计算处理系统(300)在进行协调化处理后的相关阵列的元素值与关于各受验者的疾病标签之间，通过“有监督学习”将识别器的生成作为集成学习来实施，在集成学习过程中，根据重要度而从在针对疾病标签生成识别器的生成处理中确定出的特征量中选择出用于聚类的特征量，之后通过“无监督学习”来执行多重共聚类。

摘要： 本发明适用于数据库技术领域，提供了一种语句聚类方法，包括：实时接收语句请求输入；对语句请求做去噪与归一化处理得到净化语句请求；通过特征提取算法提取得到净化语句请求中的语句特征值；将语句特征值按首次出现的顺序添加形成语句类标识序列，并建立两者之间的语句映射关系。本发明还提供一种事务聚类方法、语句聚类装置与事务聚类装置。本发明实施例的语句聚类方法中，建立了单一的语句请求与由语句请求聚类而成的、更高层次的语句类标识序列之间的有效联系，不仅是运维人员可根据语句类标识序列分析数据库的异常原因，其他人员也可基于语句聚类的方法对其他领域的数据进行有效的聚类，并用以观测分析其他数据的发展趋势。

摘要： 本发明公开了一种基于聚类分析的双阈值激光雷达云层检测算法，包括：对激光雷达回波信号进行预处理；利用层峰层底比阈值对预处理后的激光雷达回波信号筛选，提取出云层信号；利用背景噪声阈值对预处理后的激光雷达回波信号提取出漏选掉的薄云层信号；利用微分零交叉法获取各个云层微分零点并反演计算出云顶、云底高度；并且，利用ISODATA聚类算法对各个云层微分零点的相对湿度及垂直高度进行聚类分析，将在同一高度范围内具有相似相对湿度特征的样本聚为一类，得到分类后的多个微分零点集并进行云层结构的判别，得到云层信息。本发明有效排除了气溶胶信号的干扰并可精确地筛选出云层信号，实现了云分层的精确处理。

摘要： 本发明涉及图像分析领域，尤其涉及一种基于双光谱角的波段聚类选择方法。所述方法为：对样本图片进行预处理，得到目标像素分辨率的高光谱图像；根据背景与中心元素的空间相关性和光谱相关性构建双光谱角特征，对原始特征和双光谱角特征进行计算；利用原始特征和双光谱角特征分别进行聚类；根据关联函数对聚类结果进行优化，使熵函数最小，迭代聚类结果区域稳定后结束，得到最终波段选择结果。本发明兼顾像素间的空间相关性和波段间的光谱相关性，在不牺牲物理属性信息的前提下高效表征高光谱图像的有效特征，降低后续数据处理的计算量。

摘要： 本发明公开了一种基于双超图正则化的肿瘤基因表达谱数据双聚类方法，通过对肿瘤基因表达谱数据的样本和基因分别进行聚类；然后，对肿瘤基因表达谱数据的样本和基因分别建立样本超图和基因超图，来获取样本和基因的固有几何结构；最后，将样本超图和基因超图分别作为主成分分析的样本超图正则项和基因超图正则项，确定优化目标函数，最后通过优化目标函数分别优化样本聚类矩阵和基因聚类矩阵，得到最终的样本聚类和基因聚类。本发明在基于主成分分析法的基础上，通过双超图正则化进行双聚类的优化，从而在保留主成分分析法的优点基础上更好的获取肿瘤基因表达谱数据中的复杂信息，最终提高获得聚类的精确性。

摘要： 本发明公开了一种基于双阶遗传计算的基因表达数据的双聚类方法，将矩阵M中的每一列减去第k列得到矩阵M(k)，k＝1，2，…，n；对M(k)的每一列进行层次聚类，得到双聚类种子的集合；通过遗传计算获得对应的双聚类。本发明所述的算法，可解决传统基于遗传计算的双聚类算法只能针对双聚类进行选择的缺点，通过同时对行列进行优化，可提高搜索效率，并获得更优的双聚类分析效果。

摘要： 本发明公开了一种基于双超图正则化的肿瘤基因表达谱数据双聚类方法，通过对肿瘤基因表达谱数据的样本和基因分别进行聚类；然后，对肿瘤基因表达谱数据的样本和基因分别建立样本超图和基因超图，来获取样本和基因的固有几何结构；最后，将样本超图和基因超图分别作为主成分分析的样本超图正则项和基因超图正则项，确定优化目标函数，最后通过优化目标函数分别优化样本聚类矩阵和基因聚类矩阵，得到最终的样本聚类和基因聚类。本发明在基于主成分分析法的基础上，通过双超图正则化进行双聚类的优化，从而在保留主成分分析法的优点基础上更好的获取肿瘤基因表达谱数据中的复杂信息，最终提高获得聚类的精确性。

摘要： 本发明公开了一种基于双阶遗传计算的基因表达数据的双聚类算法，将矩阵M中的每一列减去第k列得到矩阵M(k)，k＝1，2，…，n；对M(k)的每一列进行层次聚类，得到双聚类种子的集合；通过遗传计算获得对应的双聚类。本发明所述的算法，可解决传统基于遗传计算的双聚类算法只能针对双聚类进行选择的缺点，通过同时对行列进行优化，可提高搜索效率，并获得更优的双聚类分析效果。

摘要： 本发明公开了一种基于双聚类自适应模糊神经网络的重量控制方法，是根据现场操作人员习惯，利用已有数据，在没有目标值记录以及专家提出经验的情况下，利用双聚类获得称重仓重量目标值以及称重仓重量偏差、偏差变化率、进料量偏差之间的模糊规则，并利用模糊神经网络对模糊规则进一步学习，最后得到双聚类自适应模糊神经网络控制器，从而能实现对称重仓重量的控制。本发明能自适应获取称重仓重量目标值，并学习操作人员经验以获得双聚类自适应模糊神经网络控制器，从而能实现对称重仓重量的实时控制。

摘要： 本申请实施例公开了一种多视图双聚类方法、相关设备及计算机可读存储介质，其中，方法可以包括如下步骤：获取目标用户的临床特征数据和基因特征数据；其中，所述临床特征数据用于指示所述目标用户罹患抑郁症的显在病理特征；所述基因特征数据用于指示所述目标用户罹患抑郁症的潜在遗传特征；利用训练好的多视图双聚类模型对所述目标用户的临床特征数据和基因特征数据进行聚类，得到聚类结果。实施本申请，可以准确地识别出用户罹患抑郁症的疾病亚型。