有序样品聚类的差异序列法

本文借助于两个样品的差异度和有序样品的差异序列两个概念，提出了有序样品聚类的差异序列法法。聚类数和分割点可以容易地由差异法获得。对某些无序样品，也可以应用差异序列法。三个例子说明，差异序列法是简单、有效的。     

一种基于差异度聚类的异常入侵检测算法

基于差异度聚类分析,提出了一种新的异常入侵检测算法DCAIDA,详细介绍了基于差异度聚类分析的用户行为模型建立算法和异常入侵检测算法.通过对原始用户行为数据进行差异度聚类分析,建立用户行为模型,并依据聚类模型对实时的用户行为进行分类,以此判断是否发生入侵.在KDD CUP 1999上的仿真实验结果表明:该算法检测率高、误报率低,且对新攻击类型有一定的检测能力,可实现预期效果.     

某种样品的动态聚类法

针对某种特殊样品，借助于回归系数，对原有的动态聚类法加以改进．并通过一个实例将本文方法与原算法结果加以比较     

分类属性高维数据基于集合差异度的聚类算法

提出基于集合差异度的聚类算法. 算法通过定义的集合差异度和集合精简表示,直接进行一个集合内所有对象总体差异程度的计算,而不必计算两两对象间的距离,并且在不影响计算精确度的情况下对分类属性高维数据进行高度压缩,只需一次数据扫描即得到聚类结果. 算法计算时间复杂度接近线性. 实例表明该算法是有效的.     

基于权重差异度的动态模糊聚类算法

针对传统模糊聚类算法需提前设置参数和初始聚类中心, 导致聚类结果不稳定的问题, 提出一种基于权重差异度的动态模糊聚类算法. 首先引入样本特征权重向量和样本间差异度的概念, 对数据集分布情况进行描述, 并采用新的评价指标获取候选聚类中心; 然后根据最小差异度准则, 对剩余样本点进行分类; 最后结合Davies-Bouldin指数(DBI)评价准则对候选聚类中心做进一步筛选与合并. 实验结果表明, 该算法在不同测试数据集上的性能明显优于传统聚类算法, 具有更高的自适应性和稳定性.     

基于颜色矩的木材缺陷聚类识别

提出了一种新的基于无监督聚类木材缺陷识别方法。该方法借助于木材图像颜色矩特征提取,有效实现数据降维,利用K-means算法对产生的特征数据集进行聚类,产生不同木材表面类型类别标签,自动找出并正确标识木材表面缺陷位置。分析了不同木材表面缺陷类型识别效率。仿真实验结果表明,该方法能快速有效地进行木材表面缺陷自动识别,平均运行时间为0.442 s,平均识别查准率约为86.5%,平均识别查全率约为81.1%。     

基于有序聚类的文本结构分析方法

讨论了基于关系图的文本结构分析方法,鉴于文章组织的有序性,运用有序聚类的思想建立数学模型,并利用最优K分法构造自动文本结构分析算法,以划分文章意义段.实验结果表明,该文本结构分析方法是有效的.将该方法运用于自动文摘技术,可使文摘获得更好的可读性和完整性.     

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.     

能量矩与颜色聚类相结合的图像检索方法

检索效率和准确率是基于内容的图像检索技术的重要指标.首先采用一种改进的软聚类算法在颜色空间进行聚类预处理.在此基础上,提出一种快速有效的提取基于离散余弦变换的能量矩特征方法,对聚类结果进行基于能量矩特征的二次检索.实验结果表明,聚类预处理能大大地缩小图像的搜索范围,以达到快速、准确检索图像的目的,同时提出的分块能量矩对图像旋转、尺寸变化及噪声有较强的鲁棒性.     

关于矩阵求和法的一个注记

文献[1]中，作者证明的一个矩阵求和法的重要定理条件仅是充分的，给出此定理的条件不仅是充分的，而且是必要的，从而回答了作者提出的公开问题。     

基于潜在因子多样性的非负矩阵分解协同过滤模型

基于非负矩阵分解的协同过滤模型在高维稀疏数据的预测和填补上十分有效，该模型具有推荐个性化、有效利用其他相似用户回馈信息的优点，但也存在预测精度较低等不足。针对用户或项目在不同情景下的评分差异性，提出了一种改进的基于潜在因子多样性的非负矩阵分解的协同过滤模型。该模型充分考虑在不同情境下，用户和项目潜在特征矩阵的多样性，在模型的训练中，采用了单元素非负乘法更新规则和交替方向法，保证了目标矩阵的非负性，且提高了模型的收敛率。在真实的工业数据集上的实验结果表明，相比于经典的非负矩阵分解模型，该模型的预测精度有了明显提高。     

确定区间数决策矩阵属性权重的方法——熵值法

针对属性权重完全未知而属性值为区间数的多属性决策问题,本文中提出了一种确定区间数决策矩阵权重的方法———熵值法.最后给出了一个例子说明本方法的有效性和可行性.     

图的无圈全色数的一个上界

图G一个正常全染色f被称为无圈全染色,若G中无2-色圈.图G的无圈全色数,标记为χaet'(G),是图G的无圈全染色中所用的最少颜色数.在这篇论文中,证明了若G是一个Δ≥3的图,那么χaet'(G)≤32Δ,这里Δ是G的最大度.     

相容次序矩阵AOR迭代的最优参数选取

讨论当线性方程组Ax=b的系数矩阵A为(1,1)相容次序矩阵且其Jacobi特征值为纯虚数或零时,AOR迭代的收敛性问题,得到此类方程组AOR迭代的收敛区间,并在收敛范围内分段讨论,进而得到最优参数及与之相应的谱半径,用实例给出了结论的一些应用.     

简单图的全染色的一个结果

简单图的全染色是图的染色理论中的一个重要问题,为了深入研究图的全色数猜想与图的最大平均度之间的关系,我们利用差值转移方法证明了最大平均度小于4的简单图的全色数满足全色数猜想;同时,还证明了最大度不小于12且最大平均度小于6的简单图G的全色数不超过Δ(G)+3.     

轮形图的全着色

图G(超图H)的全着色是指同时给图中的顶点和边进行着色,使相关联或相邻的元素间着不同的颜色,而使用的最少的颜色数就称为全色数,记为xT(G)(xT(H)).超图的全着色又可以分成弱全着色和强全着色2种情况.本文主要讨论超图中轮形图W(v)的全着色性质,并得到具体的强全色数和弱全色数,xWT(W(v))=△+1,xST(...     

高度图的全色数

证明了：如果图G的最大度顶点数r(G）满足r(G)≥|V（G）|-△（G）-1,且δ（G） 2△（G）≥5/2|V（G）| 3/2,则G的全色数xT(G)=△（G） 1。     

可逆分块矩阵的逆矩阵的简便求法

给出了用分块矩阵的块初等变换来求一个可逆分块矩阵的逆矩阵的方法     

电路分析的扩展矩阵方法

文章讨论近代电路理论中有关电路方程矩阵形式的列写问题,通过理论研究和应用实践,总结出一种采用扩展矩阵的方法来解决这个问题,力求内容和方法的改进,易于知识点的掌握,并引发读者的创新思维,方法阐述具有逻辑性,便于应用。