动态聚类方法在单指标专题要素分级中的应用

本文剖析了现有聚类分级方法的优劣,论述了应用动态聚类方法进行单指标专题要素分级的基本原理、方法、步骤;试验结果表明,动态聚类分级方法计算简单,占机容量小,具有较高分级精度,并可获得最优或次优分级方案.     

专题地图统计数据分级的模式识别方法的研究

采用模糊数学中模式识别方法对专题地图统计数据进行分级 ,并定义了分级精度标准的计算公式。用实例验证表明 :这种方法与目前所见的最优分割、逐步聚类及模糊聚类等分级方法相比可节省计算机内存 ,适用于多数据的分级问题 ,且精度较高。     

基于模糊聚类分析的织物质量分级方法

织物性能的分类、分级信息是纺织品质量评估的直观表述。在织物客观评估的基础上，提出了基于减法聚类与模糊C-均值(FCM)聚类的集成方法用于纺织品质量评估分析。该方法以减法聚类算法得出的样本的最佳分类数为基础，用FCM聚类算法得到具体的分类结果。将聚类中心的特征值之和定义为分级指数，进一步用于解决织物质量的分级问题。通过对法国鲁贝高等纺织工程学院自织的43块棉针织物的分析，证明了以上方法在处理纺织品质量分类、分级问题中的有效性。     

分级与密度相结合的Web文本聚类算法

考虑到实验数据的大规模及样本数据形状的复杂性等特点,提出一种基于分级聚类与DBSCAN聚类相结合的HL-DBSCAN聚类算法,避免了DBSCAN的聚类算法较大的时间复杂度,适用性更广,更能体现一个聚簇的规律,提高分类精度.通过实验与结果分析,取得较好的聚类结果,证明了该算法在文本聚类处理中的可行性.     

船舶交通事故等级模糊划分的数学模型

从目前船舶交通统计规则在实践中存在的问题和国外在这方面的做法指出我国海事分级方法的不足之处，并利用模糊数学的模糊聚类和模糊评判方法，模型模型对船舶交通事故进行分级。     

基于模糊聚类的物流数据字典动态分级方法

为提高物流管理信息系统查询效率，根据物流数据库管理系统查询调用数据属性字典的统计信息，提出一种优化属性字典分级的动态方法。描述了该方法的实现并进行了查询效率分析。该方法基于模糊聚类原理，在属性字典表中添加聚类属性项；将数据繁多的属性字典表按其在选定时间内的属性统计值进行动态归类分级。系统运行实践表明，该方法提高查询效率最高达31．9％，平均达19．3％。     

一种基于自组织分级聚类的数据挖掘方法

针对传统自组织聚类方法处理数据在多维空间中存在多样性和从基本或低层次概念上发现强关联规则中的不足，提出了一种基于自组织分级聚类的数据挖掘方法．该方法采用最大似然分类自组织特征网络（MAXNET）聚类过程，利用自下而上聚合层次聚类方法，对有畸变的二值化输入模式作最大似然分类．最后对一个销售电脑商场中，与任务相关的交易数据集进行了分析，描述了从低层次概念到高层次概念的相互关系．并用matlab仿真软件把该方法和传统方法进行比较，表明了该方法的有效性．     

城市GPS控制网的分级布设

为了满足城市建设和发展的需要，提出了应用全球定位系统（ＧＰＳ）技术分级布设城市控制网的方法和相应的数据处理手段，通过对实例的计算，充分说明了大中城市中ＧＰＳ控制网分级布设的优越性和必要性；同时，还探讨了分级布网对点位精度的影响，通过对不同布网方案的比较，分析，得出分级布网不但能保证全网的精度均匀，一致性，而且能地改善点位精度，特别是当首级网布设均匀，合理时，效果尤其显著，因此，建议在今后的大中城市     

基于模糊聚类的物流数据字典动态分级方法

为提高物流管理信息系统查询效率,根据物流数据库管理系统查询调用数据属性字典的统计信息,提出一种优化属性字典分级的动态方法.描述了该方法的实现并进行了查询效率分析.该方法基于模糊聚类原理,在属性字典表中添加聚类属性项;将数据繁多的属性字典表按其在选定时间内的属性统计值进行动态归类分级.系统运行实践表明,该方法提高查询效率最高达31.9%,平均达19.3%.     

基于树型增长神经网络模型的遥感图像聚类

通过对天津海岸带遥感图像的研究，提出了基于树型增长神经网络模型的遥感图像聚类方法。该方法申神经模型的网络结构在训练过程中动态生成，用户可根据需要实现层次聚类，同时可以通过调节扩展因子SF的大小调节聚类的速度和精度，从而提高了聚类的精度和灵活性。     

基于邻域关系的三支聚类方法

针对当前三支聚类方法不能有效处理数值型数据，且三支聚类结果受阈值影响问题，文章基于邻域关系提出了确定合适阈值的三支聚类方法。首先给出了确定最优K值的改进K-means聚类算法。进而基于邻域关系下的下、上近似引入精度，提出了权衡边界域和精度关系的有效性评价指标。应用该指标，给出了确定邻域下、上近似中最佳阈值的构建算法，进而得到三支聚类的核心域和边界域。最后，通过UCI数据集上的实验验证了该方法的可行性，且该方法有效提高了聚类精度。     

基于聚类分析法的葡萄酒评价

首先通过配对T检验方法对两组评酒员对葡萄酒的评价质量数进行检验,并且计算方差均值,以选取更为可信的一组评酒员对葡萄酒的评价质量数作为葡萄酒分级的样本数据;其次通过相关分析法对葡萄酒的理化指标与酿酒葡萄的理化指标之间的联系进行分析,以选取与葡萄酒显著相关的酿酒葡萄的理化指标作为葡萄酒分级的部分指标;最后利用聚类分析法对葡萄酒分级.利用该方法可对葡萄酒进行有效评价.     

基于GHSOM网络的故障识别

提出了一种基于生长型分级自组织映射(GHSOM)网络的故障识别方法,给出了方法的基本原理,并将该方法应用于汽轮机组与齿轮的故障数据分析.研究结果表明,GHSOM能根据数据特征无监督地对故障进行正确聚类和识别,并且具有动态增长及分层特性,能解析出数据内在的层次结构,实现由粗到精的聚类识别,该方法可以扩展应用于机械故障的诊断与识别.     

煤层自燃分级的模糊聚类分析研究

根据不同地域矿区３０多个煤层中所选出１０个样本煤层,提出综合反映煤层自燃分级的自燃倾向性、煤层厚度、煤层倾角和硫含量４个指标参数,运用模糊聚类分析法进行煤层自燃分级探讨。该法所需指标参数均可在井田地质勘探时期得到,分级简便实用。     

两段串联涡流空气分级机操作参数对其分级性能的影响

依据涡流空气分级机的分级理论，通过物料实验研究了两段串联涡流空气分级机系统喂料速度、两段转笼转速组合、两段进口风速组合等操作参数对其分级性能的影响。结果表明：分级精度和切割粒径随喂料速度的增大而降低；无论两段转笼转速差值保持恒定或增大，切割粒径和分级精度都随二段转笼转速的增大而减小；二段进口风速大于一段进口风速，存在“鱼钩”效应。     

基于预报因子聚类分级的日径流预报深度信念模型及应用

径流预报是水库运行调度的重要决策依据,提高入库径流预报精度,对水库优化调度和水资源高效利用具有重要意义.本文提出一种基于大样本数据分级策略的深度信念网络模型(Deep Belief Networks,DBN),以龙羊峡入库径流预报为例,采用Fuzzy C-means(FCM)聚类方法,将总样本训练集分为不同训练样本子集;不同样本子集下,对不同预报因子(只考虑降雨、考虑不同时期的降雨及同时考虑降雨及前期径流),分别建立DBN模型和人工神经网络模型(Artificial Neural Network,ANN),分析样本分级和考虑不同因子情况下不同模型的预报结果.结果表明:与不考虑预报因子分级的预报模型相比,基于时间序列聚类的预报模型显著提高了径流预报的精度;通过FCM聚类,将样本分为3类,考虑降雨及前期径流作为预报因子进行分级时,比只考虑降雨、考虑不同时期的降雨时建立的预报模型的预测精度更高.用该模型进行龙羊峡水库入流日径流预报,提高了预报精度,可为龙羊峡水库调度提供决策支持.     

涡轮式气流分级机分级效率数学模型研究

为提高涡轮式分级机的分级精度和分级效率，研究了不均匀气流速度场和团聚对它们的影响，分别建立了两种影响的数学模型，研究表明，分级机结构是影响分级精度的决定性因素，而团聚则严重影响较细颗粒的分级效率，导致所谓的“鱼钩效应”，文中理论可用于指导分级机的设计和粉体的制备。     

高分子量聚丙烯酰胺的双梯度分级及某些溶液性质的研究

采用了双梯度淋洗法对高分子量的聚丙烯酰胺（ＰＡＭ）进行柱上制备分级，利用粘度法测定各级分的分子量，得到分子量的积分和微分分布曲线，由曲线可知其和未分级样品的相比较接近，表明分级方法可靠。同时发现ＰＡＭ稀溶液的［η］与放置时间、超声波震荡时间均有关系。采用Ｂｒａｂｅｎｄｅｒ流变仪初步研究了ＰＡＭ稀溶液的流变特性。     

川黄柏一年生实生苗质量的分级标准

为有利于指导生产实践，推动川黄柏实生苗培育规范化、标准化，以湖南省龙山县大安乡2020年培育的川黄柏1年生实生苗为研究对象，以72个1 m×1 m样方2 564株样苗为研究样本，以地径、苗高为苗木质量分级指标，采用K-均值聚类法及标准差法，划分质量分级值.经综合评定，确定川黄柏1年生实生苗质量分级标准为Ⅰ级苗地径D≥1 cm，苗高H≥100 cm；Ⅱ级苗地径D 0.6～＜1 cm，苗高H 60～＜100 cm；Ⅲ级苗地径D＜0.6 cm，苗高H＜60 cm.在该标准下，本次研究样本Ⅰ、Ⅱ级苗占比64.8%.     

土茯苓种苗质量分级标准研究

探究土茯苓(Smilax glabra)种苗质量分级标准,为土茯苓人工种植规范化发展奠定基础。本研究随机选取50株土茯苓种苗进行调查,首先应用相关分析确定苗木分级指标,然后通过逐步聚类分析法修正分级,最终计算出土茯苓种苗的苗木分级标准。结果表明,根数和球茎数为土茯苓种苗的质量分级指标。土茯苓种苗分级标准为Ⅰ级种苗：根数≥37.4,球茎数≥6.8;Ⅱ级种苗：28.3≤根数<37.4,4.2≤球茎数<6.8;Ⅲ级种苗：根数<28.3或球茎数<4.2。所抽取的土茯苓样苗中,Ⅰ、Ⅱ级种苗(合格苗)分别占34%和20%,Ⅲ级种苗(不合格苗)占46%。本研究通过逐步聚类分析法制定的土茯苓种苗质量分级标准结果可靠,说明此方法可行,能为土茯苓人工种植繁育研究以及生产优质的土茯苓种苗提供理论资料。