Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:1204.3235v2

帮助 | 高级搜索

统计学 > 方法论

arXiv:1204.3235v2 (stat)
[提交于 2012年4月15日 (v1) ,最后修订 2013年7月10日 (此版本, v2)]

标题: 均值漂移方法的收敛性和抗扩散性

标题: Convergent and Anti-diffusive Properties of Mean-Shift Method

Authors:Xiaogang Wang, Jianhong Wu
摘要: 基于偏微分方程的分析框架被推导出来,用于某些动态聚类方法。 所提出的数学框架基于物理学中守恒定律的应用,以表征底层概率密度函数的连续变换。 然后将其应用于分析均值漂移型动态聚类算法的收敛性和稳定性。 理论分析表明,无监督的均值漂移型算法本质上是不稳定的。 证明了无监督均值漂移型算法正确收敛的唯一可能性是将原始概率密度转换为没有依赖结构的多元正态分布。 我们的分析结果表明,通过采用精心选择的监督机制,可能实现更稳定和收敛的均值漂移算法。
摘要: An analytic framework based on partial differential equations is derived for certain dynamic clustering methods. The proposed mathematical framework is based on the application of the conservation law in physics to characterize successive transformations of the underlying probability density function. It is then applied to analyze the convergence and stability of mean shift type of dynamic clustering algorithms. Theoretical analysis shows that un-supervised mean-shift type of algorithm is intrinsically unstable. It is proved that the only possibility of a correct convergence for unsupervised mean shift type of algorithm is to transform the original probability density into a multivariate normal distribution with no dependence struture. Our analytical results suggest that a more stable and convergent mean shift algorithm might be achieved by adopting a judiciously chosen supervision mechanism.
主题: 方法论 (stat.ME) ; 计算 (stat.CO)
引用方式: arXiv:1204.3235 [stat.ME]
  (或者 arXiv:1204.3235v2 [stat.ME] 对于此版本)
  https://doi.org/10.48550/arXiv.1204.3235
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Xiaogang (Steven) Wang [查看电子邮件]
[v1] 星期日, 2012 年 4 月 15 日 03:35:52 UTC (14 KB)
[v2] 星期三, 2013 年 7 月 10 日 13:50:39 UTC (15 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
stat.ME
< 上一篇   |   下一篇 >
新的 | 最近的 | 2012-04
切换浏览方式为:
stat
stat.CO

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号