基于距离和密度的聚类和孤立点检测算法

提出了一种基于距离和密度的聚类和孤立点检测算法.该算法根据距离和密度阈值对数据进行聚类,同时发现数据中的孤立点.实验结果表明,该算法能够识别任意形状的聚类,对高维数据有效,能够很好的识别出孤立点.     

一种改进的KR模式匹配算法

在分析BF、KMP和KR等模式匹配算法的基础上提出一种改进的KR算法(IKR),在产生哈希冲突时利用双向比较法进行匹配.实验结果表明,该算法可以快速有效地进行模式匹配.     

在Visual FoxPro教学中值得注意的几个问题

从格式和语法入手,以具体的实例分析和讨论了在Visual FoxPro程序设计语言教学和实习中学生容易出错的问题,如字符比较、str（）函数调用、NULL值以及宏代换函数（＆）等问题,并给出了解决方法.     

聚类分析算法研究

聚类分析是数据挖掘的重要的组成部分,已经广泛应用于模式识别、电子商务、图像处理等领域。本文对几种主要的聚类及孤立点检测方法进行了分析研究,介绍了各种聚类方法的优缺点,并对聚类研究进行了总结。     

一种基于距离的聚类和孤立点检测算法

提出了一种基于距离的聚类和孤立点检测算法(DBCOD),根据距离阈值对数据点进行聚类,在聚类过程中记录每个数据点的密度,并根据密度阈值确定数据点是否为孤立点.实验结果表明,该算法不仅能够对数据集进行正确的聚类,可以发现任意形状的聚类,算法执行效率优于DBSCAN,具有对噪音数据、数据输入顺序不敏感等优点,同时还能有效地进行孤立点检测.