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。     

睡莲科植物类平均聚类的初步研究

采用聚丙烯酰胺凝胶电泳法测定白睡莲及红睡莲、黄睡莲二个杂交品种、芡实、莲、萍蓬草和莼菜等5种睡莲科植物的叶和叶柄过氧化物酶同工酶,结果表明被测植物各有其特征酶谱,且同一植物的叶片酶谱区带常较叶柄丰富.运用类平均聚类法计算,被测植物相似系数均在30以上,其亲缘关系表现为3个等级,即同为一种的白睡莲、红睡莲和黄睡莲之问的亲缘关系最近;不同属间的睡莲与莼菜、芡实与莲次之;萍蓬草和其它植物之间亲缘关系较远.     

基于山峰聚类的聚类上限确定方法

文章提出了一种基于山峰聚类的聚类上限检测方法,依靠山峰聚类确定聚类数目的上限,仿真试验表明,这种方法能将聚类上限确定在一个合理的范围之内,从而加快聚类的效率.     

覆盖聚类算法

首先比较几类主要的聚类算法,给出每类算法的基本概念、原理、每类的代表性算法,及这些算法的主要特征。在此分析基础上,提出一种新的聚类算法———覆盖聚类算法,该算法采用覆盖的概念将比较集中的样本聚合在一起,从而发现隐含在样本集中的类,对于周围稀疏的样本结合最短距离法,获得聚类效果,并用实验数据对分层聚类方法、LBG方法与覆盖聚类算法进行比较,证明了覆盖聚类算法的可行性和有效性。最后给出了算法的研究方向。     

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。     

基于类内和类间距离的粗粒度并行AP聚类算法

近邻传播(Affinity Propagation,AP)聚类是基于数据点间消息传递的算法,主要通过数据间的相似度实现聚类.与传统的聚类方法相比,AP聚类无需事先给定聚类数目就可实现聚类,因此具有快速高效的优点,然而在处理高维复杂数据集时存在随着聚类效率提升而准确度不高的问题.为改善AP聚类算法的效率和精度,提出基于类内和类间距离的粗粒度并行AP聚类算法——IOCAP.首先引入粒度思想将初始数据集划分成多个子集;其次对各子集结合类内和类间距离进行相似度矩阵的改进计算,最后基于MapReduce模型实现改进后的并行AP聚类.在真实数据集上的实验表明,IOCAP算法在大数据集上有较好的适应性,能在保持AP聚类效果的同时有效地提升算法精度.     

语类及语类研究概述

主要对语类进行综合性的研究,对它的起源,定义、特点、语类结构潜势理论、语类与语域、语境和语篇的关系,语类理论在多种语篇分析中的应用的做了总结和概括。使读者对语类有一个总体深入的了解。     

一种基于近似类抽样的组合聚类方法

FCM聚类算法具有线性的时间复杂度,但它对初始化非常敏感。而k-中心点轮换法对初始化不太敏感,但其缺点就是时间复杂度较高,不能直接应用到海量数据集的聚类分析中。为克服这两类聚类算法的缺点,而充分利用它们的优点,很自然地提出一种基于近似类抽样的组合聚类算法。这种组合聚类算法的时间复杂度是O（n2m）。仿真实验表明,它具有稳定的聚类结果。     

对次类凸函数的两类择一定理

讨论了集合诸多凸性之间的关系 ,然后利用局部凸拓扑向量空间中的分离定理 ,对次类凸函数得到了两类新的择一定理 .这些结果是已知文献结果的实质性推广 .     

格群的积扭类及积拟扭类

讨论了两灯格群根式类－积扭类及积拟扭类，给出了积扭根式映射及积拟扭根式映射的特征性质，并具体刻画了积扭类格及积扭类格中的极运算。     

有限群共轭类类长的素数可除性

在多种情况下对于有限群G的共轭类类长集合cs（G）证明了｜cs（G）｜≤2·k＇（G）＋1其中k＇（G）=maxp｜｜G｜{csp（G）},csp（G）为cs（G）中能被素数p整除的元素集。     

聚类算法综述

聚类分析是一种基本的数据分析方法,它在数据挖掘,统计学,空间数据库技术,人工智能,生物学研究,机器学习,模式识别等领域都得到了广泛的应用.论文介绍了各类主要的聚类算法,并概述了其主要应用领域.     

浅析按类招生、按类培养

文章针对当前高校中出现新的招生和培养模式－－按类招生、按类培养的含义、产生背景及其特点进行了分析，并就如何做好专业分流及提高教学质量等问题谈了粗浅的看法。     

对次类凸函数的两类择一定理

讨论了集合诸多凸性之间的关系,然后利用避部凸拓扑向量空间中的分离定理,对次类凸函数得到了两类新的择一定理,这些结果是已知文献结果的实质性推广。     

基于聚类和Ripper的稀有类分类方法

稀有类分类在许多领域有重要应用,针对稀有类在数据中所占比例少,容易被忽略的特点,提出一种基于聚类和Ripper的稀有类分类方法,该方法在一趟聚类的结果中,通过将在整个数据集中所占的比例低于15%的聚类标识为少数类,再应用Ripper分类算法分别对少数类和多数类分别进行分类建模,并按照一定的组合方式调整得出整个数据集的最终规则集.在UCI数据集上的测试结果表明,基于一趟聚类和Ripper的稀有类分类方法对稀有类可产生高质量的分类效果.可以将该方法应用于现实生活的领域中进行稀有数据的分类.     

文本聚类综述

聚类作为一种自动化程度较高的无监督机器学习方法,近年来在信息检索、多文档自动文摘、智能搜索引擎、短文本信息处理等领域获得了广泛的应用。本文首先讨论了文本聚类（Textclustering）的应用,然后对文本聚类算法、聚类关键技术进行了综述。     

东北鸽类

鸽类系我国常见鸟类,种类少,分布广.据水野馨(1940)记有2科5种.笔者于1985—1987年对东北地区的鸽类作进一步调查发现2科6种.本文就种类的特征、生态、分布、居留类型作了较系统的报道.     

HCM聚类算法的改进-MHCM聚类算法

硬聚类算法HCM的求解结果通常是局部最优解,本文将遗传算法应用于HCM聚类算法,同时考虑到该算法实现时的效率和开销,最终提出了一种新的算法MHCM聚类算法。测试数据实验表明采用MHCM聚类算法的结果90%以上能够取得全局最优解,远远超出了采用HCM算法所取得全局最优解的次数,证明了本算法的可推广性。     

离散动态神经元网络产生的类EEG和类EP波形

本文提出了一种简化现实性神经网络模型的离散形式，特别适合于研究其复杂行为，适应联结的各神经元分级电位的某种总和可表现出类似于脑电的复发行为，虽然其所受到的刺激全部都是相同的恒定刺激，也没有噪声，周期性地迭加上方波刺激然后将相应的反应进行迭加可以诱发出类似于在核团附近记录的双相反应。