机译:k-means聚类算法和匈牙利算法的多平台协作检测资源调度方法
Yangzhou Marine Elect Instruments Inst Yangzhou 225001 Jiangsu Peoples R China|Yangzhou Univ Sch Informat Engn Yangzhou Jiangsu Peoples R China;
Yangzhou Univ Sch Informat Engn Yangzhou Jiangsu Peoples R China|Shanghai Jiao Tong Univ State Key Lab Ocean Engn Shanghai Peoples R China;
6#8208; tuples of multiple#8208; platform detection attributes; collaboration profit; collaborative detection resource schedule; cooperate adaptive evaluation; cooperate value; cooperative detection resource schedule; expected core devices;
机译:初始簇质心的确定是否提高了K-Means聚类算法的性能?应用研究中遗传算法,最小生成树和分层聚类的三种混合方法的比较
机译:基于BTM主题模型和K-Means聚类算法的微博主题检测方法
机译:入侵检测系统中模糊K-均值和K-均值聚类算法的评估
机译:基于改进匈牙利算法的资源调度方法研究
机译:K-Means和K-Means ++聚类算法的硬件实现和性能评估
机译:初始簇质心的确定是否提高了K-Means聚类算法的性能?应用研究中遗传算法最小生成树和分层聚类的三种混合方法的比较
机译:初始簇质心的确定是否提高了K-Means聚类算法的性能?应用研究中遗传算法,最小生成树和分层聚类的三种混合方法的比较
机译:在k-means算法中采样以聚类大数据集