查看“WikiEdge:ArXiv速递/2025-03-28”的源代码

== 摘要 ==
* '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses
* '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用
* '''发布日期'''：2025-03-28 14:01:12+00:00
* '''作者'''：Graciana Puentes
* '''分类'''：physics.optics, cs.LG
*'''原文链接'''：http://arxiv.org/abs/2503.22448v1
'''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成簇时的计算优势。针对NNC方法，我们对一组[[波前传感器]]重建数据（分解为15项[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学[[像差]]）应用了[[自组织映射]](SOM)训练。通过分析SOM相邻[[权重]]距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解释。在HC方法中，采用联合[[相异度]]-连接矩阵计算进行数据划分，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得以验证。通过设定0.8的[[不一致性截断值]]，最终确定7个簇作为系统分割的最大数量。此外，采用KMC方法建立[[聚类分割]]效率的量化指标，在K=5个非重叠簇的数据分割中获得了0.905的平均[[轮廓系数]]值。研究表明，HC的联合连接与相异度算法结合KMC形成的聚类方案，比单独使用NNC或HC评估更为可靠——后者若改变SOM尺寸或不一致性截断值可能导致全新的聚类构型。