聚类分析在男子十项全能测试成绩分析中的应用

应用聚类分析法对常德师院体育教育专业 12 2名男生的十项全能毕业测试成绩进行了指标聚类和样品聚类分析 .分析结果表明 :男子十项全能项目宜聚为跑、跳、投和撑杆跳高 4类 ;其典型项目依次为 4 0 0m、跳远或跳高、标枪和撑杆跳高 ;学生宜聚为 3类 ,根据其特点依次定义为低素质型、速度型和力量型 .结合全能运动和学生的实际特点判断 ,聚类分析的结果具有合理性 ,研究结论对十项全能的教学与训练具有一定指导作用 .     

模糊综合评判的系统聚类算法研究

对于数量较大、维度较多、较为复杂的聚类对象,系统聚类较为复杂; 而模糊综合评判聚类方法聚类结果不够准确,其个数难以控制。为此,提出基于模糊综合评判的系统聚类算法,该方法对较为复杂的、由多种因素制约的事物或对象进行模糊综合评判处理,提取对象的整体特征,运用系统聚类对其进行聚类分析。最后通过对5 个班级的多次考试成绩进行了聚类分析,验证了该算法的有效性。实验结果表明,该方法具有准确性、整体性、可操作性以及简略性等。     

聚类分析法在学生成绩评估中的应用

聚类分析是将统计方法引入到分类学中产生的一个重要分枝，按成绩对学生群体进行评估分类，是对学生因材施教，奖优汰沥的重要依据，也是在就业市场中衡量学生的砝码。用聚类分析法对学生成绩进行评估，使分类结果更加客观，全面。     

基因聚类结果的内部确认技术研究

聚类分析是后基因组时代基因表达数据处理的主要技术之一.聚类确认是聚类分析过程中的必要环节,其目的是对聚类结果的质量和聚类算法的性能进行评估,有助于聚类结果的注释.选择有效的确认函数是正确评价聚类结果的前提.文中采用分层聚类、K-均值聚类和SOMs算法对标准基因表达数据集进行聚类分析,研究了Silhouette指数、Dunn's指数、Davies-Bouldin指数及FOM(Figure of merit)测量等内部确认函数在基因聚类分析中评价聚类结果质量的有效性.结果表明:Silhouette指数和FOM测量能较好地反映聚类算法的性能和聚类结果的质量,Dunn's指数因其对噪声的高度敏感性不能直接用于基因聚类结果的确认,Davies-Bouldin指数确认算法的能力好于Dunn's指数,但偏爱单连接聚类.上述研究结论将为基因聚类分析中聚类算法的评估与聚类结果的确认提供有价值的参考依据.     

一种适用于数据仓库环境的增量聚类方法

聚类分析要求较高聚类质量和快速响应能力,各行业数据仓库中的大量、高维数据对算法的效率提出了更大的挑战.CURE算法能够提供高质量聚类结果但不满足联机聚类要求.结合数据仓库数据不定期批量、增量更新的特点,提出了一种新的增量式CURE聚类算法——InCURE,利用对象的互连性和近似度,保持原算法的动态聚类特性的同时大大缩短聚类时间.5维、20维、50维的大量数据实际测试表明无论低维还是高维数据,InCURE都比CURE具有更高的效率,适合数据仓库环境下的增量式聚类分析.     

符号数据最佳聚类个数的确定方法

在聚类分析中,如何选择恰当的聚类个数是一个非常复杂而又必须面对的问题.尽管针对数值型数据聚类个数的选择算法已经进行了广泛地研究,但如何确定符号型数据的聚类个数仍然是一个富有挑战性的问题.结合划分和层次聚类的思想,提出一种符号数据聚类个数的确定算法.在UCI数据集上的实验结果表明该方法是有效的.     

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。     

一种基于距离的增量聚类算法

在传统层次聚类基础上，提出并实现了一种基于距离的增量式聚类算法，并应用于粮食智能决策支持系统中，算法在保持层次聚类优点的基础上，利用原有的聚类结果提高聚类速度，并可以根据用户需要在聚类精度和聚类速度两方面选取一个适当的平衡点，有效地提高聚类分析的效率。     

地区经济发展的聚类分析和实例判别

针对我国各省（直辖）市的2003年度经济数据，选取18个经济指标进行主成分分析，得到资本类、人力类、知识类、制度类和生活类共5类经济类别指标；再对经济类别指标进行系统聚类分析，得到我国3类不同的地区经济类型；在阐明聚类结果的直观意义后，利用实例进行判别分析，以确认聚类效果．聚类结果为制订有针对性的地区经济发展战略提供依据．     

基于结构自适应神经网络用电量时间特征的聚类分析

鉴于聚类分析在数据挖掘中具有重要的作用,针对聚类分析中聚类数确定难的问题,深入研究了聚类准则的选择和曲线特性,提出了一种基于SOFM神经网络的结构自适应聚类神经网络,其特点是能够自动确定最佳的聚类数.基于实际营销数据,采用结构自适应聚类神经网络技术实现了用户用电量时间特征分析,所得结论对于电价的针对性的调整以及合理地安排电力生产具有重要的参考价值.     

基于聚类分析的油气成因类型判别

油气成因类型的确定是油气成藏研究的重要基础，常规的定性描述与经验公式存在一定的局限。聚类分析从数学模型入手，通过相似统计量来衡量地质样品或分析指标间的相关性。通过介绍了树状聚类、逐步聚类和双向聚类的原理和方法，并分别应用于油气成因类型研究中，结果表明聚类分析适合多要求下的成因判别，克服了常规方法的局限，判别结果清楚、正确。     

基于兴趣相似性的Web用户聚类

按照访问兴趣对用户进行聚类分析是Web挖掘的一项重要内容. 在用户访问兴趣度量中综合考虑网页内容和浏览路径因素；在聚类分析中，依据访问兴趣定义提出新的相似度计算方法. 利用传递闭包法对用户进行聚类. 算法可以提高用户聚类的准确性，试验结果验证此算法是有效的.     

聚类分析及其在我国各省经济发展水平分类研究中的应用

聚类分析是一种寻求客观分类的方法,它是多元统计分析中三大实用方法之一。本文首先对聚类分析的各种算法进行分类与介绍;然后总结了聚类分析在经济、生物、电子商务、保险等方面的一些应用,并对两类应用较广泛的聚类算法进行对比分析;最后结合SPSS软件,分别运用系统聚类法和 K－均值聚类法对我国31个省区经济发展水平进行分类,发现二者分类结果相同,且与我国现阶段各省各地区经济发展现状吻合度较高。     

灰聚类分析及其应用研究

经典的聚类分析方法在统计时需要事先设置参数，而在没有先验知识情况下，确定这些参数比较困难。为此，提出一种全新的灰聚类分析方法并完整地定义了其数学模型。该方法不再受样本输入次序的限制，不再需要事先确定参数。通过仿真实验，证明了该方法具有较好的抗噪音的能力，能有效地避免人为因素对聚类结果的影响，能使聚类的结果更客观、准确。将该方法运用于股票数据分析中，实验结果表明，该分析结果能为投资者提供一定价值的决策意见，具有一定的实用价值。     

一种基于数据关联的聚类集成方法

聚类集成是集成学习中的一个重要分支,其目标是解决无监督聚类分析中聚类算法的选择性、偏差性与数据特殊性等导致聚类结果不理想的问题。文章提出了一种基于数据关联的聚类集成方法(CEBDR),该算法先提取出在聚类成员中体现有关联关系的数据对象来组成新的类,然后对这些类进行二次聚类得到最终的集成结果。文中选用了一些标准数据集,采用CEBDR算法、已有的基聚类和聚类集成算法来进行对比实验,实验结果表明,该算法能够有效地提高聚类质量。     

用模糊相似关系方法对岩石进行聚类分析

近年来,模糊数学的发展已经进入岩石力学领域,用模糊浆类分析方法对岩石进行分类是其具体应用的一个方面。模糊聚类分析方法可以分为两种:非系统聚类法和系统聚类法。本文介绍了应用系统聚类法对岩石进行聚类分析的一个实例。     

仿生聚类算法研究与分析

仿生聚类算法是一种将仿生智能优化算法与传统聚类算法相结合的混合聚类算法,同时也是无监督学习算法。这类算法在生物智能算法的基础上,结合了传统聚类算法操作简单、求解速度快的特点,在解决高纬度复杂的聚类分析问题时表现尤为突出,目前已被广泛应用在物联网、图像处理、路径规划、医学等领域。文中主要对仿生聚类算法进行研究与分析。首先以蚁群聚类、果蝇聚类、人工蜂群聚类算法为例,着重从算法思想、生物智能算法与K均值聚类的结合流程以及具体应用3个方面进行介绍;然后对仿生聚类过程中的相似性度量方法和聚类结束后聚类结果无监督评价方法进行了详细描述;最后对仿生聚类算法的未来研究方向进行了总结与展望。     

基于小波包熵和聚类分析的滚动轴承故障诊断方法

为了提高滚动轴承震动信号故障诊断的准确性,该文提出了一种基于小波包熵和聚类分析的集合型故障诊断方法。用小波包对滚动轴承振动信号进行三层分解,并提取其能量特征。以振动信号的能量分布作为概率分布进行信息熵运算,提取振动信号特征。为了检测是否有故障发生,结合减法聚类的思想,提出采用密度指标最高原则优化初始聚类中心的K均值聚类算法进行聚类。为了检验所提方法的有效性,采用不同故障直径的滚动轴承数据进行实验。实验结果表明,新的聚类方法克服了传统K均值聚类对初始聚类中心敏感的缺陷,其结果可以作为滚动轴承早期故障诊断的依据。     

数据挖掘中的聚类分析研究

数据挖掘是信息产业的热门研究方向,聚类分析作为其核心技术,早已经被深入的研究。本文探讨了聚类分析的统计量,对聚类方法和算法进行了比较和分析,以便在日常应用中能准确快速的选择特定的算法。     

基于遗传和蚁群算法融合的聚类新方法

遗传算法具有快速良好的全局搜索能力,而蚁群聚类算法具有良好的分布式并行性和正反馈能力。将两种算法进行融合,充分利用算法各自的优势和特点,能更有效地进行聚类分析。实验证明这种新组合算法在优化能力和时间性能上比常用的聚类算法有比较明显的优势。