专利交易市场

一种基于医院关联网络结构特征的城市医疗体系聚类方法，包括以下步骤：步骤1：收集关于医生多点执业的行为数据；步骤2：根据医生多点执业的行为数据，构建医院-医生二分网络；步骤3：将医院-医生二分网络投影到单顶点的医院关联网络；步骤4：提取医院关联网络的结构特征；步骤5：采用K-means算法对医院关联网络进行聚类。本发明通过构建医院-医生二分网络，实现了二分网络投影到单顶点的医院关联网络，同时提取了医院关联网络的结构特征，并且采用聚类算法能够实现对一线和新一线城市的医院关联网络进行聚类。后续能够实现对各城市医院网络的分布情况与各城市实施的政策、交通状况等相结合进行分析。

一种基于改进DBSCAN算法的Web服务聚类方法，所述服务聚类方法包括以下步骤：第一步、计算领域本体中两个概念A和B之间的语义相似度；第二步、结合概念相似度计算方法，给出服务S1与服务S2输入相似度Siminput的计算方法；第三步、结合概念相似度计算方法，给出服务S1与服务S2输出相似度Simoutput的计算方法；第四步、结合求得的服务输入相似度Siminput与服务输出相似度SimOutput计算服务S1与服务S2的功能相似性FunctionalSim(S1,S2)；第五步、结合第四步的服务功能相似性度量方式给出服务聚类算法。本发明实现较好的服务聚类效果，从而缩短服务演化时间。

一种基于密度峰值检测的Mahsup服务聚类方法，所述方法包括以下步骤：第一步、对于所有参与聚类的Mashup服务的特征向量，进行局部密度、向量间距离和较高密度最近距离计算；第二步、基于第一步计算的密度信息，从所有Mashup服务特征向量中，筛选出聚类中心的候选点；第三步、对第二步所得的聚类中心候选点，进一步筛选出最为合适的K个初始聚类中心，进行K‑means聚类。本发明能够有效提升Mashup服务聚类精度，缩小服务搜索空间。

自动确定聚类中心的用户影评密度峰值聚类方法，包括：步骤1.读取用户影视评分数据文件中的数据集；步骤2.计算两个用户之间的相似度；步骤3.初始化截断距离dc；步骤4.影评用户i的局部密度ρi计算；步骤5.计算用户点i的距离δi；步骤6.计算用户i的归一化决策函数ri；步骤7.初始化聚类中心；步骤8.依据降序的ri取前Ci个数据点作为聚类中心用户，对非中心用户进行归类；步骤9.离群用户剔除；步骤10.计算占分比N；步骤11.取占分比最大值时的聚类中心点数Ci，然后依据降序后的归一化决策函数，取前Ci‑1个点作为本样本的聚类中心，然后按照上述步骤对非中心点进行归类划分；步骤12.输出聚类结果。

本发明提出了一种基于Shape‑GIoU改进的聚类算法，弥补了原始GIoU中会退化为IoU的问题，通过引入一个比例系数λ/β，将两框宽高比的影响引入公式，可以解决GIoU会退化的问题，考虑了两框非覆盖面积以及宽高比的影响，使YOLOv4算法的检测性能有了部分提升；首先构建数据集并对样本数据预处理；其次将提出的Shape‑GIoU方法引入到K‑means++聚类方法中，然后将所得anchor值对原版YOLOv4算法的cfg文件中的anchor进行替换；最后对比使用K‑means++聚类方法的YOLOv4算法模型，分析测试结果；本发明提出的基于Shape‑GIoU改进的聚类算法相比K‑means++聚类算法，可以解决GIoU会退化的问题，考虑了非覆盖面积以及宽高比的影响，提升了YOLOv4算法模型的检测精度和召回率；另外本发明方法仍然能够在其他经典算法模型结合使用，并提升算法模型的检测性能。

公开了一种对标记有属性的对象进行聚类的方法，包括：获得多个对象的属性；将所获得的属性汇总为多个语义因子；将所述对象拆分为多于一个集群；以及将所述集群中的至少一个集群拆分一次或多次，其中从所述语义因子中独立地选择一个语义因子以在每次拆分期间拆分所述集群。本公开进一步公开了一种对标记有属性的对象进行聚类的系统。本公开还公开了一种使用所述对标记有属性的对象进行聚类的方法来进行特征学习方法，以及公开了一种特征学习系统。

本申请公开了一种对同区域的车辆聚类的方法、装置和设备，该方法包括：获取第一预定时间段内的过车信息中车牌号码对应的第一车辆组数据的集合，该第一车辆组数据包括经过的卡口的标识及经过该卡口的时间戳信息；根据车牌号码对应的第一车辆组数据的集合确定该车牌号码对应的车辆经过的卡口的连续轨迹；根据车牌号码对应的车辆的连续轨迹的端点信息，对车牌号码对应的车辆信息进行同区域聚类。本申请实施例的方案能够将具有相同停留点的车辆归到相同的类中，为定位具有相同停留轨迹的车辆提供了有效的方案。

本发明提供了一种基于深度矩阵的约束概念分解聚类方法，包括S10获取m个待聚类图像，并根据待聚类图像构造k个最邻近图；S20针对每个最邻近图得到相应的数据矩阵X，数据矩阵X中包括n个数据点，并使用非负矩阵分解方法对数据矩阵X进行分解得到特征矩阵W；S30对数据矩阵X中的p个数据点进行标记；S40基于特征矩阵W及标记数据点，建立约束概念分解的目标函数σ；S50根据目标函数σ，使用迭代加权的方法迭代预设次数，得到数据矩阵X深度分解的每一层的特征矩阵Wi和权重矩阵Hi，1≤i≤k；S60采用k‑means聚类算法分别对每个最近邻图得到的特征矩阵进行分析并聚类。该聚类方法利用标记与非标记的数据点，将标记信息作为约束强加给目标函数，大大提升了识别能力，提高了聚类的精确度。

本发明提供一种基于Spark大数据平台的OPTICS聚类算法，涉及计算机信息获取和处理技术。本发明通过对并行数据结构划分，得到最优数据集划分并生成对应的RDD，并行计算邻居样本数量和核心距离，对每个分区并行执行OPTICS算法得到每个分区的簇排序并持久化存储，通过簇排序给每个分区赋予簇后，通过合并分区，每个样本能够得到全局的簇号。利用Spark分布式并行技术，找到最优的划分结构，并行计算得到每个分区的簇排序。通过OPTICS的簇排序，用户可以从不同层次结构进行观察数据集的内在聚类结构。该方法可以处理串行算法不能处理的大规模的数据集，并大幅度提高得到聚类结果的时间。

本发明属于机器学习与数据挖掘领域，具体为一种社交网络的用户聚类方法、装置以及计算机设备；所述方法包括获取社交网络中各个待聚类用户的账户信息，包括用户ID、用户地区、用户性别、用户粉丝数、用户关注数、内容标签以及发布时间；将社交网络中各个账户信息分别向量化，形成向量数据集；从所述向量数据集中选择多个向量分别作为初始聚类中心，按照初始聚类中心对用户分簇，按照分簇后的结果或聚类后的结果更新聚类中心，并按照聚类中心继续对各个用户聚类；直到聚类中心不再变化，得到聚类后的多个分类，每个分类至少包括一个待聚类用户；通过本发明改进的初始聚类中心的选择算法和改进的聚类框架，可以极大的降低计算量，进而提高了整个方法、装置的效率。