【技术实现步骤摘要】
本专利技术涉及大数据处理，尤其涉及课程学习和强化学习驱动的动态最优自洽聚类方法。
技术介绍
1、随着数据驱动决策在各行各业的广泛应用，动态数据集的高效处理成为当今信息社会的一项核心挑战。聚类算法作为一种重要的数据分析工具，广泛应用于模式识别、数据挖掘和机器学习等领域。其主要目标是将数据划分为若干个群组(集群)，使得同一集群内的数据点相似度尽可能高，不同集群间的相似度尽可能低。然而，传统的聚类方法主要针对静态数据集进行设计，现有聚类算法技术现状概括如下：
2、经典聚类算法：如k均值(k-means)、层次聚类(hierarchical clustering)和密度聚类(dbscan)，通常基于预定义的距离度量或密度估计，适用于固定规模和特征分布的数据集。
3、算法特点：这些算法通常需要预先定义聚类数目或密度参数，并基于全局特征对数据点进行聚合。然而，算法对输入参数的敏感性和对高维数据的处理能力限制了其应用范围。
4、静态性限制：传统聚类方法主要针对静态数据集，即假设所有数据点在聚类时已经全部可用，且数据...
【技术保护点】
1.课程学习和强化学习驱动的动态最优自洽聚类方法，其特征在于：所述方法包括如下步骤：
2.根据权利要求1所述的课程学习和强化学习驱动的动态最优自洽聚类方法，其特征在于：步骤3中的动态划分机制包括划分到已有类别、创建新的类别、奖励机制的设计和强化学习优化。
3.根据权利要求2所述的课程学习和强化学习驱动的动态最优自洽聚类方法，其特征在于：创建新的类别的具体过程为：设置动态掩码机制和动态划分流程：
4.根据权利要求3所述的课程学习和强化学习驱动的动态最优自洽聚类方法，其特征在于：奖励机制的设计的具体过程为：
5.根据权利要求...
【技术特征摘要】
1.课程学习和强化学习驱动的动态最优自洽聚类方法，其特征在于：所述方法包括如下步骤：
2.根据权利要求1所述的课程学习和强化学习驱动的动态最优自洽聚类方法，其特征在于：步骤3中的动态划分机制包括划分到已有类别、创建新的类别、奖励机制的设计和强化学习优化。
3.根据权利要求2所述的课程学习和强化学习驱动的动态最优自洽聚类方法，其特征在于：创建新的类别的具体过程为：设置动态掩码机制和动态划分流程：
4.根据权利要求3所述的课程学习和强化学习驱动的动态最优自洽聚类方法，其特征在于：奖励机制的设计的具体过程为：
5.根据权利要求3所述的课程学习和强化学习驱动的动...
【专利技术属性】
技术研发人员：包奇，庄文斌，段熙，叶甘露，莫朝森，罗玉梅，
申请(专利权)人：广西南宁西子科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。