Academic literature on the topic 'Density clustering'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Density clustering.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Journal articles on the topic "Density clustering"
Hess, Sibylle, Wouter Duivesteijn, Philipp Honysz, and Katharina Morik. "The SpectACl of Nonconvex Clustering: A Spectral Approach to Density-Based Clustering." Proceedings of the AAAI Conference on Artificial Intelligence 33 (July 17, 2019): 3788–95. http://dx.doi.org/10.1609/aaai.v33i01.33013788.
Full textRinaldo, Alessandro, and Larry Wasserman. "Generalized density clustering." Annals of Statistics 38, no. 5 (October 2010): 2678–722. http://dx.doi.org/10.1214/10-aos797.
Full textKriegel, Hans‐Peter, Peer Kröger, Jörg Sander, and Arthur Zimek. "Density‐based clustering." WIREs Data Mining and Knowledge Discovery 1, no. 3 (April 5, 2011): 231–40. http://dx.doi.org/10.1002/widm.30.
Full textBoqing Feng, Boqing Feng, Mohan Liu Boqing Feng, and Jiuqiang Jin Mohan Liu. "Density Space Clustering Algorithm Based on Users Behaviors." 電腦學刊 33, no. 2 (April 2022): 201–9. http://dx.doi.org/10.53106/199115992022043302018.
Full textBoqing Feng, Boqing Feng, Mohan Liu Boqing Feng, and Jiuqiang Jin Mohan Liu. "Density Space Clustering Algorithm Based on Users Behaviors." 電腦學刊 33, no. 2 (April 2022): 201–9. http://dx.doi.org/10.53106/199115992022043302018.
Full textPrabhjot, Kaur, Lamba I. M. S, and Gosain Anjana. "DOFCM: A Robust Clustering Technique Based upon Density." International Journal of Engineering and Technology 3, no. 3 (2011): 297–303. http://dx.doi.org/10.7763/ijet.2011.v3.241.
Full textHua, Jia-Lin, Jian Yu, and Miin-Shen Yang. "Correlative Density-Based Clustering." Journal of Computational and Theoretical Nanoscience 13, no. 10 (October 1, 2016): 6935–43. http://dx.doi.org/10.1166/jctn.2016.5650.
Full textLi, Zejian, and Yongchuan Tang. "Comparative density peaks clustering." Expert Systems with Applications 95 (April 2018): 236–47. http://dx.doi.org/10.1016/j.eswa.2017.11.020.
Full textMauceri, Christian, and Diem Ho. "Clustering by kernel density." Computational Economics 29, no. 2 (March 1, 2007): 199–212. http://dx.doi.org/10.1007/s10614-006-9078-7.
Full textLin, Jun-Lin. "Generalizing Local Density for Density-Based Clustering." Symmetry 13, no. 2 (January 24, 2021): 185. http://dx.doi.org/10.3390/sym13020185.
Full textDissertations / Theses on the topic "Density clustering"
Albarakati, Rayan. "Density Based Data Clustering." CSUSB ScholarWorks, 2015. https://scholarworks.lib.csusb.edu/etd/134.
Full textErdem, Cosku. "Density Based Clustering Using Mathematical Morphology." Master's thesis, METU, 2006. http://etd.lib.metu.edu.tr/upload/12608264/index.pdf.
Full textDensity Based Clustering Using Mathematical Morphology"
(DBCM) algorithm as an effective clustering method for extracting arbitrary shaped clusters of noisy numerical data in a reasonable time. This algorithm is predicated on the analogy between images and data warehouses. It applies grayscale morphology which is an image processing technique on multidimensional data. In this study we evaluated the performance of the proposed algorithm on both synthetic and real data and observed that the algorithm produces successful and interpretable results with appropriate parameters. In addition, we computed the computational complexity to be linear on number of data points for low dimensional data and exponential on number of dimensions for high dimensional data mainly due to the morphology operations.
Holzapfel, Klaus. "Density-based clustering in large-scale networks." [S.l.] : [s.n.], 2006. http://deposit.ddb.de/cgi-bin/dokserv?idn=979979943.
Full textPark, Ju-Hyun Dunson David B. "Bayesian density regression and predictor-dependent clustering." Chapel Hill, N.C. : University of North Carolina at Chapel Hill, 2008. http://dc.lib.unc.edu/u?/etd,1821.
Full textTitle from electronic title page (viewed Dec. 11, 2008). "... in partial fulfillment of the requirements for the degree of Doctor of Philosophy in the Department of Biostatistics, School of Public Health." Discipline: Biostatistics; Department/School: Public Health.
Kröger, Peer. "Coping With New Challengens for Density-Based Clustering." Diss., lmu, 2004. http://nbn-resolving.de/urn:nbn:de:bvb:19-23966.
Full textMai, Son. "Density-based algorithms for active and anytime clustering." Diss., Ludwig-Maximilians-Universität München, 2014. http://nbn-resolving.de/urn:nbn:de:bvb:19-175337.
Full textDatenintensive Anwendungen wie Biologie, Medizin und Neurowissenschaften erfordern effektive und effiziente Data-Mining-Technologien. Erweiterte Methoden der Datenerfassung erzeugen stetig wachsende Datenmengen und Komplexit\"at. In den letzten Jahrzehnten hat sich daher ein Bedarf an neuen Data-Mining-Technologien f\"ur komplexe Daten ergeben. In dieser Arbeit konzentrieren wir uns auf die Data-Mining-Aufgabe des Clusterings, in der Objekte in verschiedenen Gruppen (Cluster) getrennt werden, so dass Objekte in einem Cluster untereinander viel \"ahnlicher sind als Objekte in verschiedenen Clustern. Insbesondere betrachten wir dichtebasierte Clustering-Algorithmen und ihre Anwendungen in der Biomedizin. Der Kerngedanke des dichtebasierten Clustering-Algorithmus DBSCAN ist, dass jedes Objekt in einem Cluster eine bestimmte Anzahl von anderen Objekten in seiner Nachbarschaft haben muss. Im Vergleich mit anderen Clustering-Algorithmen hat DBSCAN viele attraktive Vorteile, zum Beispiel kann es Cluster mit beliebiger Form erkennen und ist robust gegen\"uber Ausrei{\ss}ern. So hat DBSCAN in den letzten Jahrzehnten gro{\ss}es Forschungsinteresse mit vielen Erweiterungen und Anwendungen auf sich gezogen. Im ersten Teil dieser Arbeit wollen wir auf die Entwicklung neuer Algorithmen eingehen, die auf dem DBSCAN Paradigma basieren, um mit den neuen Herausforderungen der komplexen Daten, insbesondere teurer Abstandsma{\ss}e und unvollst\"andiger Verf\"ugbarkeit der Distanzmatrix umzugehen. Wie viele andere Clustering-Algorithmen leidet DBSCAN an schlechter Per- formanz, wenn es teuren Abstandsma{\ss}en f\"ur komplexe Daten gegen\"uber steht. Um dieses Problem zu l\"osen, schlagen wir einen neuen Algorithmus vor, der auf dem DBSCAN Paradigma basiert, genannt Anytime Density-based Clustering (A-DBSCAN), der mit einem Anytime Schema funktioniert. Im Gegensatz zu dem urspr\"unglichen Schema DBSCAN, erzeugt der Algorithmus A-DBSCAN zuerst eine schnelle Ann\"aherung des Clusterings-Ergebnisses und verfeinert dann kontinuierlich das Ergebnis im weiteren Verlauf. Experten k\"onnen den Algorithmus unterbrechen, die Ergebnisse pr\"ufen und w\"ahlen zwischen (1) Anhalten des Algorithmus zu jeder Zeit, wann immer sie mit dem Ergebnis zufrieden sind, um Laufzeit sparen und (2) Fortsetzen des Algorithmus, um bessere Ergebnisse zu erzielen. Eine solche Art eines "Anytime Schemas" ist in der Literatur als eine sehr n\"utzliche Technik erprobt, wenn zeitaufwendige Problemen anfallen. Wir stellen auch eine erweiterte Version von A-DBSCAN als A-DBSCAN-XS vor, die effizienter und effektiver als A-DBSCAN beim Umgang mit teuren Abstandsma{\ss}en ist. Da DBSCAN auf der Kardinalit\"at der Nachbarschaftsobjekte beruht, ist es notwendig, die volle Distanzmatrix auszurechen. F\"ur komplexe Daten sind diese Distanzen in der Regel teuer, zeitaufwendig oder sogar unm\"oglich zu errechnen, aufgrund der hohen Kosten, einer hohen Zeitkomplexit\"at oder verrauschten und fehlende Daten. Motiviert durch diese m\"oglichen Schwierigkeiten der Berechnung von Entfernungen zwischen Objekten, schlagen wir einen anderen Ansatz f\"ur DBSCAN vor, namentlich Active Density-based Clustering (Act-DBSCAN). Bei einer Budgetbegrenzung B, darf Act-DBSCAN nur bis zu B ideale paarweise Distanzen verwenden, um das gleiche Ergebnis zu produzieren, wie wenn es die gesamte Distanzmatrix zur Hand h\"atte. Die allgemeine Idee von Act-DBSCAN ist, dass es aktiv die erfolgversprechendsten Paare von Objekten w\"ahlt, um die Abst\"ande zwischen ihnen zu berechnen, und versucht, sich so viel wie m\"oglich dem gew\"unschten Clustering mit jeder Abstandsberechnung zu n\"ahern. Dieses Schema bietet eine effiziente M\"oglichkeit, die Gesamtkosten der Durchf\"uhrung des Clusterings zu reduzieren. So schr\"ankt sie die potenzielle Schw\"ache des DBSCAN beim Umgang mit dem Distance Sparseness Problem von komplexen Daten ein. Als fundamentaler Clustering-Algorithmus, hat dichte-basiertes Clustering viele Anwendungen in den unterschiedlichen Bereichen. Im zweiten Teil dieser Arbeit konzentrieren wir uns auf eine Anwendung des dichte-basierten Clusterings in den Neurowissenschaften: Die Segmentierung der wei{\ss}en Substanz bei Faserbahnen im menschlichen Gehirn, die vom Diffusion Tensor Imaging (DTI) erfasst werden. Wir schlagen ein Modell vor, um die \"Ahnlichkeit zwischen zwei Fasern als einer Kombination von struktureller und konnektivit\"atsbezogener \"Ahnlichkeit von Faserbahnen zu beurteilen. Verschiedene Abstandsma{\ss}e aus Bereichen wie dem Time-Sequence Mining werden angepasst, um die strukturelle \"Ahnlichkeit von Fasern zu berechnen. Dichte-basiertes Clustering wird als Segmentierungsalgorithmus verwendet. Wir zeigen, wie A-DBSCAN und A-DBSCAN-XS als neuartige L\"osungen f\"ur die Segmentierung von sehr gro{\ss}en Faserdatens\"atzen verwendet werden, und bieten innovative Funktionen, um Experten w\"ahrend des Fasersegmentierungsprozesses zu unterst\"utzen.
Dixit, Siddharth. "Density Based Clustering using Mutual K-Nearest Neighbors." University of Cincinnati / OhioLINK, 2015. http://rave.ohiolink.edu/etdc/view?acc_num=ucin1447690719.
Full textTuhin, RASHEDUL AMIN. "Securing GNSS Receivers with a Density-based Clustering Algorithm." Thesis, KTH, Kommunikationsnät, 2015. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-182117.
Full textBraune, Christian [Verfasser]. "Skeleton-based validation for density-based clustering / Christian Braune." Magdeburg : Universitätsbibliothek Otto-von-Guericke-Universität, 2018. http://d-nb.info/1220035653/34.
Full textLilje, Per Vidar Barth. "Large-scale density and velocity fields in the Universe." Thesis, University of Cambridge, 1988. http://ethos.bl.uk/OrderDetails.do?uin=uk.bl.ethos.254245.
Full textBooks on the topic "Density clustering"
F, Shandarin Sergei, Weinberg David Hal, and United States. National Aeronautics and Space Administration., eds. A test of the adhesion approximation for gravitational clustering. [Washington, D.C: National Aeronautics and Space Administration, 1995.
Find full textWong, M. Anthony. Using the K-Means Clustering Method As a Density Estimation Procedure. Creative Media Partners, LLC, 2018.
Find full textLiu, Belinda. DBCELL: A cell-density-based clustering method for large spatial databases. 1999.
Find full textUnited States. National Aeronautics and Space Administration., ed. Comparison of dynamical approximation schemes for non-linear gravitational clustering. [Washington, D.C: National Aeronautics and Space Administration, 1995.
Find full textLincoln, James R., and Matthew Sargent. Business Groups as Networks. Oxford University Press, 2018. http://dx.doi.org/10.1093/oso/9780198717973.003.0004.
Full textBook chapters on the topic "Density clustering"
Carroll, T. L., and J. M. Byers. "Attractor Density Clustering." In Lecture Notes in Networks and Systems, 139–49. Cham: Springer International Publishing, 2017. http://dx.doi.org/10.1007/978-3-319-52621-8_13.
Full textEster, Martin. "Density-Based Clustering." In Encyclopedia of Database Systems, 1–6. New York, NY: Springer New York, 2016. http://dx.doi.org/10.1007/978-1-4899-7993-3_605-2.
Full textWebb, Geoffrey I., Johannes Fürnkranz, Johannes Fürnkranz, Johannes Fürnkranz, Geoffrey Hinton, Claude Sammut, Joerg Sander, et al. "Density-Based Clustering." In Encyclopedia of Machine Learning, 270–73. Boston, MA: Springer US, 2011. http://dx.doi.org/10.1007/978-0-387-30164-8_211.
Full textEster, Martin. "Density-based Clustering." In Encyclopedia of Database Systems, 795–99. Boston, MA: Springer US, 2009. http://dx.doi.org/10.1007/978-0-387-39940-9_605.
Full textSander, Joerg. "Density-Based Clustering." In Encyclopedia of Machine Learning and Data Mining, 1–5. Boston, MA: Springer US, 2016. http://dx.doi.org/10.1007/978-1-4899-7502-7_70-1.
Full textSander, Joerg. "Density-Based Clustering." In Encyclopedia of Machine Learning and Data Mining, 349–53. Boston, MA: Springer US, 2017. http://dx.doi.org/10.1007/978-1-4899-7687-1_70.
Full textEster, Martin. "Density-Based Clustering." In Encyclopedia of Database Systems, 1053–58. New York, NY: Springer New York, 2018. http://dx.doi.org/10.1007/978-1-4614-8265-9_605.
Full textBraune, Christian, Stephan Besecke, and Rudolf Kruse. "Density Based Clustering: Alternatives to DBSCAN." In Partitional Clustering Algorithms, 193–213. Cham: Springer International Publishing, 2014. http://dx.doi.org/10.1007/978-3-319-09259-1_6.
Full textGörke, Robert, Andrea Schumm, and Dorothea Wagner. "Density-Constrained Graph Clustering." In Lecture Notes in Computer Science, 679–90. Berlin, Heidelberg: Springer Berlin Heidelberg, 2011. http://dx.doi.org/10.1007/978-3-642-22300-6_58.
Full textDurstewitz, Daniel. "Clustering and Density Estimation." In Advanced Data Analysis in Neuroscience, 85–103. Cham: Springer International Publishing, 2017. http://dx.doi.org/10.1007/978-3-319-59976-2_5.
Full textConference papers on the topic "Density clustering"
Qian, Li, Claudia Plant, and Christian Bohm. "Density-Based Clustering for Adaptive Density Variation." In 2021 IEEE International Conference on Data Mining (ICDM). IEEE, 2021. http://dx.doi.org/10.1109/icdm51629.2021.00158.
Full textHyde, Richard, and Plamen Angelov. "Data density based clustering." In 2014 14th UK Workshop on Computational Intelligence (UKCI). IEEE, 2014. http://dx.doi.org/10.1109/ukci.2014.6930157.
Full textMai, Son T., Xiao He, Nina Hubig, Claudia Plant, and Christian Bohm. "Active Density-Based Clustering." In 2013 IEEE International Conference on Data Mining (ICDM). IEEE, 2013. http://dx.doi.org/10.1109/icdm.2013.39.
Full textWang, Zhenggang, and Liu Zhong. "Neighborhood density correlation clustering." In 2020 IEEE 36th International Conference on Data Engineering (ICDE). IEEE, 2020. http://dx.doi.org/10.1109/icde48307.2020.00241.
Full textMoulavi, Davoud, Pablo A. Jaskowiak, Ricardo J. G. B. Campello, Arthur Zimek, and Jörg Sander. "Density-Based Clustering Validation." In Proceedings of the 2014 SIAM International Conference on Data Mining. Philadelphia, PA: Society for Industrial and Applied Mathematics, 2014. http://dx.doi.org/10.1137/1.9781611973440.96.
Full textAmagata, Daichi, and Takahiro Hara. "Fast Density-Peaks Clustering." In SIGMOD/PODS '21: International Conference on Management of Data. New York, NY, USA: ACM, 2021. http://dx.doi.org/10.1145/3448016.3452781.
Full textGan, Junhao, and Yufei Tao. "Dynamic Density Based Clustering." In SIGMOD/PODS'17: International Conference on Management of Data. New York, NY, USA: ACM, 2017. http://dx.doi.org/10.1145/3035918.3064050.
Full textDockhorn, Alexander, Christian Braune, and Rudolf Kruse. "Variable density based clustering." In 2016 IEEE Symposium Series on Computational Intelligence (SSCI). IEEE, 2016. http://dx.doi.org/10.1109/ssci.2016.7849925.
Full textYan, Huanqian, Yonggang Lu, and Heng Ma. "Density-based Clustering using Automatic Density Peak Detection." In 7th International Conference on Pattern Recognition Applications and Methods. SCITEPRESS - Science and Technology Publications, 2018. http://dx.doi.org/10.5220/0006572300950102.
Full textPrasad, Rabinder Kumar, and Rosy Sarmah. "Variable density spatial data clustering." In 2011 2nd International Conference on Computer and Communication Technology (ICCCT). IEEE, 2011. http://dx.doi.org/10.1109/iccct.2011.6075127.
Full textReports on the topic "Density clustering"
Fraley, Chris, and Adrian E. Raftery. MCLUST: Software for Model-Based Clustering, Density Estimation and Discriminant Analysis. Fort Belvoir, VA: Defense Technical Information Center, October 2002. http://dx.doi.org/10.21236/ada459792.
Full text