1. 毕业设计（论文）主要目标：
学习特征选择和聚类分析的基本问题和常用方法。讨论如何将高维、复杂、庞大的数据进行降维和分类，对数据的降维处理和聚类分析的改进算法进行研究。掌握常见的特征选择算法的原理及代码，使用主成分分析法(PCA)对样本数据进行特征选择，消除样本数据的冗余特征。掌握常见的聚类分析算法的原理及代码，使用K-means算法对样本数据进行聚类，并对该算法进行改进，使初始聚类中心的选取更加恰当，减少聚类迭代次数，提高聚类准确率。并将算法应用于实验，验证算法的有效性和高效性。
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
2. 毕业设计（论文）主要内容：
1、特征选择。首先认识特征选择的概念和具体分类。采用过滤式无监督特征选择算法中的主成分分析法(PCA)算法进行特征选择。
2、聚类分析算法。掌握聚类分析算法的基本概念和分类，以及样本之间相似度的距离度量。对K-means算法的聚类过程学习，然后分析该算法的优缺点。并针对K-means算法对初始聚类中心点敏感的缺点，提出通过计算样本间的距离求出每个样本的密度参数，通过密度参数选区出更合适的初始聚类中心的改进方法。将改进后的算法和之前的算法进行实验，比较两者的聚类准确度。
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
3. 主要参考文献
[1]陈新泉,聚类算法中的优化方法应用.成都:电子科技大学出版社,2014
[2]邢长征, 谷浩. 基于平均密度优化初始聚类中心的K-means算法[J]. 计算机工程与应用, 2014, 50(20)
[3] 毛勇,周晓波,夏铮,尹征,孙优贤,特征选择算法研究综述.模式识别与人工智能 , 2007,20(2)
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
