w-算子的盖包

研究w-模类与w-平坦模类的盖包性质.证明对于GV-理想都是有限表现理想的交换环,w-模类是盖类;对于任意交换环,w-模类是包类,w-平坦模类是盖类.最后,证明w-平坦模类是预包类当且仅当w-平坦模类在直积下封闭.     

关于群类的某些性质

考察了三个群类的类属性,证明了这些群类都是Fitting类,并对其中一个群类p-幂零群类Np作了进一步的讨论,证明了Np是饱和群系．且Np-群群类为p-可分群类．     

基于分层聚类的FCM算法

为了更好地实现聚类,在分析分层聚类和FCM算法优缺点的基础上提出了一种改进的聚类算法。改进算法将分层聚类和FCM聚类算法的优点相结合,首先采用分层聚类,得到一初始聚类结果,然后应用FCM聚类算法重聚类。实验结果表明,改进算法较原传统的聚类算法,不但算法执行速度较快、效率较高,而且聚类效果也较好。     

Mathematica的数据类

Mathematica不属于强类型语言，很少报告数据类型失配的错误，为避免此类错误的发生，应深入了解Mathematica的数据类。Mathematica的数据类划分细腻、全面、运算丰富，数值类高度兼容、精度无限、量纲类、区间类、图像类、声音类新颖、独特、表类中表、集合、向量、矩阵运算丰富。     

河北省县级地名的类型及空间分布

本文对河北省所有县级地名从区域分布角度对地名的命名类型进行了分析,结果表明:自然类地名中地形类、方位类、水文类地名数量最多,人文类地名中意愿类和史事类地名数量最多,地形类和水文类地名与其所处的自然地理环境有很大的联系,意愿类地名则与其所处的社会经济环境相关.     

自适应的k-means聚类算法SA-K-means

传统的k-means聚类算法对初始聚类中心非常敏感,聚类的结果也常常随着初始聚类中心而波动。为了降低聚类算法的这种敏感性,本文提出了一种自适应的聚类算法（SA—K—means）,该方法通过计算数据对象区域的密度,选择相互距离最远的高密度区域的中心作为初始聚类中心。实验表明SA—K—means聚类算法能有效地消除聚类算法对初始聚类中心的敏感性,得到满意的聚类结果。     

Java语言中主方法的作用与类的划分

深入分析Java语言中类的概念,将从客观实体中抽象出来的类称为模型类,将实现某些功能的类称为功能类。进一步通过应用实例证明Java语言中的主方法具有特殊的作用,应该将Java语言中的主方法看作“工作类”。     

基于BIC准则的图像分割算法

为解决图像分割算法中聚类数必须事先给定,否则无法进行聚类的问题,基于BIC准则建立了图像聚类算法的新型目标函数,提出了一个自动聚类算法.该算法实现了自动聚类,通过求聚类目标函数的最小值,给出聚类数,从而为聚类数的确定提供理论依据.对两幅图像进行实验模拟,实验结果表明,本文算法是有效的,具有普适性.当聚类图像灰度变换比较明显时,本文算法与K-均值、FCM算法聚类效果相同.当聚类图像灰度变换不明显时,本文算法的聚类效果优于K-均值、FCM算法的聚类效果.     

非正规子群共轭类类数为2的有限群的一个注记

利用子群共轭类的性质, 结合Mousavi给出了非正规子 群的共轭类类数为2的有限幂零群的分类, 得到了非正规子群的共轭类类数为2的有限群的完全分类, 校正了Mousavi给出的非正规子群的共轭类类数为２的有限非幂零群的分类.     

基于聚类分析法的本体构造方法

根据聚类分析法的特点,提出基于聚类分析法的本体构造方法.首先根据类的相关属性构造了一个数据矩阵,并利用矩阵中的值计算新生成的类和未合并类之间的绝对值距离,然后根据距离的大小对类进行合并,并产生新的类.用同样的方法计算新生成的类和未合并类之间的绝对值距离,直到得出最顶层的类为止.并以酒本体的构造为例来具体说明该方法.     

基于蚁群聚类算法的模糊神经网络

提出了一种基于蚁群聚类的模糊神经网络算法,神经网络采用RBF网络结点结构,聚类采用二级结构蚁群聚类算法作为一级聚类而模糊C-均值聚类(FCM)用于二级聚类。将上述聚类方法用于模糊神经网络构建中,仿真结果表明具有并行实时性、聚类能力强的特点。     

模n剩余类环的零因子图的补图的类数

研究了模n剩余类环Zn的零因子图的补图的类数.通过讨论n的素因子个数,利用完全图、完全二部图的类数公式以及有关类数的下界公式和嵌入技巧,证明了模n剩余类环Zn的零因子图的补图的类数不超过5,当且仅当n=6,8,10,12,14,15,16,18,20,21,22,27,33,35,55,77,p2,其中p为素数.并且分类了模n剩余类环Zn的零因子图的补图的类数分别为0,1,2,3,4,5的情形.     

基于遗传算法的动态文本聚类

为了解决动态文本聚类中聚类中心陷于局部极值点的问题,该文提出了基于遗传算法的动态文本聚类方法.采用二进制编码方式对聚类中心进行编码、类内中的点与其类中心的欧氏距离作为适应度函数.通过遗传算子的操作对类中心进行逐步迭代,直至适应度函数收敛,得到使聚类划分效果最好的聚类中心.实验表明该方法可以克服局部极值点的问题,且聚类结果的评价指标Purity(纯度)也比较好.     

基于乘法更新规则的k-means与谱聚类的联合学习

k-means和谱聚类是两种应用最广泛的聚类技术. k-means是基于矩阵分解的聚类方法,并且是在数据空间上基于误差极小化的聚类方法 .谱聚类是基于图的聚类方法,并且是基于两点在数据空间和特征空间的相似性保持的聚类方法.为了利用两者的优势,提出一种基于乘法更新规则的k-means和谱聚类的联合学习方法,该方法将k-means和谱聚类结合成一个统一的聚类模型,该模型可在单次优化中同时优化k-means和谱聚类的目标;此外,还基于乘法更新规则设计了对聚类中心C与聚类指示器Y进行迭代更新的优化算法.重要的是,在理论上证明了所设计算法的正确性和收敛性.在典型的数据集上进行测试,实验结果表明提出的联合学习算法在聚类精度和标准互信息度指标上都有所提高.     

基于聚类中心分离的模糊聚类模型

在模糊C-均值聚类（FCM）目标函数的基础上按聚类中心分离原则增加一个聚类中心分离项来扩展FCM算法,提出基于聚类中心分离的模糊聚类模型(FCM_CCS)。该模型可使聚类过程中的聚类中心之间距离扩大,从而得到更好的聚类效果。由于该模型和FCM一样对噪声敏感我们提出它的可能性聚类模型(PCM_CCS),最后进一步扩展成它的可能性模糊聚类模型(PFCM_CCS)。基于聚类中心分离的可能性模糊聚类模型在处理噪声数据和克服一致性聚类问题方面表现出良好的性能。对数据集的测试实验结果表明了提出的PFCM_CCS能同时产生模糊隶属度和典型值,使聚类中心间距扩大,同时具有更好的聚类准确率。     

一种改进的数据流聚类方法

针对传统K-均值方法不能有效处理动态变化的数据聚类的问题,本文提出了一种改进的数据流聚类技术——流式K-均值聚类(Streaming K-means Clustering,SKC).该方法首先对数据流中已经产生的初始数据块进行K-均值聚类,当数据流的新数据块到来时,通过衡量已经得到的聚类结果与新进入样本块的距离,对样本进行初步简单归类,并计算聚类结果的性能,若聚类结果性能在可接受范围内,则该数据块聚类结束,否则采用K-均值方法对新类进行深层次聚类.采用SKC的流式数据聚类方法处理数据流的聚类问题,对于整个数据流中的多数数据块都进行简单归类,只有少数数据块进行K-均值聚类,有效提高了数据流聚类的效率.实验结果表明,流式K-均值聚类方法能够有效处理数据流的聚类问题.     

伪超图开关类的若干性质

本文首先给出了伪超图开关运算的定义,导出了 F(n)的等价开关类划分,然后研究了开关类的性质,主要有:两伪超图属于同一开关类的充要条件;任一开关类含有 K—致伪超图的必要条件;任一开关类含有 K—正则伪超图的充要条件;Aut(H)与 Aut(S(H))的群性质;两开关类的同构性;两同构开关类的对偶类的同构性;两同构开关类的补类的同构性等。     

基于SVM的空间数据库的层次聚类分析

支持向量机用于两类问题的识别研究.本算法引入了SVM,构造二叉树对多类问题进行层次聚类分析.该算法采用SVM对两类问题进行识别,通过合并逐步由底向上构造二叉树,最终二叉树的数目即为聚类数.它适合任意形状的聚类问题,而且可以确定最优聚类的结果,并适于高维数据的分析.     

基于Spark平台的K均值聚类算法的人力资源推荐

为了提高人力资源推荐系统的效率,提出一种基于Spark平台的K均值聚类算法来完成人力资源推荐;Spark平台在分布式系统所有节点的内存弹性分布式数据集中完成聚类迭代运算,以加快聚类速度;将K均值聚类算法与聚类簇思想相结合,以提高大规模数据样本聚类的效率,得到聚类结果后,采用动态推荐算法实现人力资源实时推荐。结果表明,Spark平台相比于单机在聚类计算效率方面更有优势,且所提出的算法比单机的K均值聚类算法的聚类速度和准确率均更优,在动态推荐性能方面也优于常用推荐算法。     

一种改进的K-means聚类算法

传统的K-means聚类算法对初始聚类中心的依赖程度很大,聚类结果会随聚类中心的选择不同波动很大,为了消除这种中心选择不确定性,提出一种改进的K-means聚类算法,从而有效地改善初始聚类中心点选择的随机性,提高聚类结果的稳定性.仿真实验结果表明,改进后的K-means聚类算法优于传统的算法.