灰色聚类法在矿山地质灾害危险性分区评价中的应用

在灰色聚类分析中,把太原市西山矿区环境质量看作是一个灰色系统研究对象,运用灰色聚类法对矿区进行地质灾害危险性评价．为定量评估研究区地质灾害危险性,把整个太原市西山矿区进行单元划分,将全区划分为70个有效单元．经过筛选确定了地层岩性、断裂构造密度、地震强度、地面坡度、相对高差、矿层开采条件、多年平均降水量、植被覆盖率、矿层开采状况、灾害分布密度和规模大小十一个评估因子．由于原始数据样木中的各个输入数据值大小和单位都不同,为了避免评价结果受到数据样本数据绝对值大小和单位的影响,木文采用平均标准化方法,在应用数据样本之前进行数据的预处理,消除量纲的影响．根据危险性评估的分类标准,确定了灰类白化函数．由公式计算出了评价因子的权重值．根据太原西山矿区不同地质单元的地质要素实测值（聚类白化函数）,计算出不同隶属关系的灰类的白化函数fj^k,然后计算出各加权聚类系数,即得不同隶属关系的聚类行向量,按照最大隶属关系确定该地质单元的地质灾害危险性级别．文中以第26单元为例详细说明了灰色聚类法．按照该法依次求出其它单元所属地质灾害聚类类别,从而判断出各单元所属的危险性等级．根据评价结果,结合地形和岩性条件,按地质灾害危险性程度将太原市西山矿区划分为三个区．木文用灰色聚类法两种方法对太原市西山矿区进行地质灾害危险性评价．所得结果与模糊综合评判结果、太原市西山矿区实际情况基木吻合．     

灰色聚类法在矿山地质灾害危险性分区评价中的应用

在灰色聚类分析中,把太原市西山矿区环境质量看作是一个灰色系统研究对象,运用灰色聚类法对矿区进行地质灾害危险性评价．为定量评估研究区地质灾害危险性,把整个太原市西山矿区进行单元划分。将全区划分为70个有效单元．经过筛选确定了地层岩性、断裂构造密度、地震强度、地面坡度、相对高差、矿层开采条件、多年平均降水量、植被覆盖率、矿层开采状况、灾害分布密度和规模大小十一个评估因子．由于原始数据样木中的各个输入数据值大小和单位都不同,为了避免评价结果受到数据样本数据绝对值大小和单位的影响,木文采用平均标准化方法,在应用数据样本之前进行数据的预处理,消除量纲的影响．根据危险性评估的分类标准,确定了灰类白化函数．由公式计算出了评价因子的权重值．根据太原西山矿区不同地质单元的地质要素实测值（聚类白化函数）,计算出不同隶属关系的灰类的白化函数正然后计算出各加权聚类系数,即得不同隶属关系的聚类行向量,按照最大隶属关系确定该地质单元的地质灾害危险性级别．文中以第26单元为例详细说明了灰色聚类法．按照该法依次求出其它单元所属地质灾害聚类类别,从而判断出各单元所属的危险性等级．根据评价结果,结合地形和岩性条件,按地质灾害危险性程度将太原市西山矿区划分为三个区．木文用灰色聚类法两种方法对太原市西山矿区进行地质灾害危险性评价,所得结果与模糊综合评判结果、太原市西山矿区实际情况基木吻合．     

灰色规划聚类及其在油气盖层评价中的应用

分析了现有主要灰色聚类模型的优缺点,论证了灰色聚类原模型的机理.针对一些灰聚类模型的不足,提出了一种改进的灰聚类模型--灰色规划聚类.将灰色规划聚类模型应用于油气盖层评价,从而导出了基于灰聚类分析的盖层定量评价的新方法.该方法适用于较少数据的情形,是一种客观的综合定量评价方法.应用灰色规划聚类盖层评价新方法对琼东南盆地3个主要勘探区4套泥岩共12种盖层对象进行了评价.评价结果与崖13-1大气田和崖21-1发现油气显示等勘查结果相吻合.图1,表5,参13.     

气象数据概化中的最佳聚类数研究

以黑龙江省中部地区2004年的气温和降水观测数据为实例,对数据挖掘中气象数据的概化问题进行研究．调查分析了概化方法和数据特征,确定采用模糊C均值聚类算法．重点研究了算法中最佳聚类数的确定,选取多种广泛认可的指标,对聚类结果进行有效性对比分析,采用综合最优的聚类数为最佳聚类数．研究发现这种方法聚类结果合理且具有较强的可拓展性．     

岩爆灾害的灰类白化权函数聚类预测方法

岩爆是高应力岩石地下工程中的地质灾害.将岩爆与其影响因素之间的关系作为灰色系统,提出采用灰类白化权函数聚类的预测方法对岩爆灾害进行预测.选取岩石弹性能量指数、脆性系数和围岩最大切向应力与岩石单轴抗压强度的比值作为岩爆灾害预测的主要影响因子,并构造了适于岩爆预测的各聚类指标的白化权函数.采用本文提出的方法对国内外一些岩石地下工程实例进行了分析,并与工程实际情况进行了对比,研究结果表明,本文提出的基于灰类白化权函数聚类的岩爆灾害预测方法具有较高的预测精度.     

基于信息熵及模糊熵聚类算法的油液监测数据关联性

应用信息熵及模糊熵聚类算法对油液监测数据间的关联关系进行考察．根据系统输出的数据较为简化地表征系统内部因素间的相互联系程度,对得到的关联关系进行分级、评价,以便对设备的磨损状况提供可信、可靠的分析手段．通过应用Shannon信息论的互信息熵理论表征数据序列之间的关联性,通过模糊熵理论进行阈值的选取,以标准5函数为隶属函数,对关联数据进行挖掘．实例验证了算法的有效性,并对聚类结果进行了解释．对设备故障的定位与磨损状况的评级划分提出了一种量度手段．     

基于数据场的Kohonen聚类神经网络

Kohonen聚类神经网络（KCN）在处理数据集的聚类问题时具有良好的准确性.但KCN算法在随机选取初始权值时存在不足,而且在处理存在孤立点和“噪声”时算法鲁棒性和可靠性较差.使用数据场的概念对KCN聚类算法进行了有益的改进.实验表明,改进后的算法相对于随机选取初始权值具有较高的准确率。摘要：Kohonen聚类神经网络（KCN）在处理数据集的聚类问题时具有良好的准确性．但KCN算法在随机选取初始权值时存在不足，而且在处理存在孤立点和“噪声”时算法鲁棒性和可靠性较差．使用数据场的概念对KCN聚类算法进行了有益的改进．实验表明．改进后的算法相对于随机选取初始权值具有较高的准确率．     

江西省高新区外高新技术产业"十五"期间科技实力的灰色评价

应用灰色关联原理对江西省高新区外高新技术产业科技实力的众多指标进行筛选和组合，建立科技实力评价指标体系，根据相对灰类划分的灰色定权聚类评价方法，对江西省高新区外高新技术产业“十五”期间的科技实力进行了评价分析。结果表明，江西省高新区外高新技术产业科技实力由属于较弱灰类迈入较强灰类，科技实力得到了大幅度提升。     

组合赋权模糊熵-灰云聚类二维河流健康评价

为弥补传统灰色聚类法中白化函数对隶属度的量化取值过于固定,忽视随机性信息而无法兼顾河流健康评价体系中的模糊性、不确定因素的不足,引入云模型理论,实现模糊性、随机性信息的定性定量转换,构造基于正态云模型的灰云聚类白化函数.权重确定采用最小偏差组合赋权法,可实现各指标相对重要度的合理界定;为解决指标等级归属不一致时的综合评判问题,引入模糊熵作为第二维评价系统,反映河流健康复杂度,从而实现模糊熵-灰云聚类二维河流健康评价.选取太湖流域几条河流进行评价,评价结果对比单一等级评价方法更直观全面.结果表明:所提出的改进方法可对健康等级归属不一致、不确定性作出合理解释,从宏观健康等级与微观复杂度两层面有效揭示河流健康状况细节,为河流健康评价研究提供可行思路.     

基于熵和信息粒度的粗糙集聚类算法

针对多数聚类算法只能单独处理数值特征数据或类属特征数据，而不能分析具有两种混合属性数据的问题，基于熵和信息粒度提出了粗糙集理论框架下不同粒度划分上的聚类算法．该算法利用相似关系，通过计算每个数据点的熵并选取具有最小熵值的数据点作为聚类中心，将与该聚类中心相似度大于阈值卢的所有数据点聚集形成数字颗粒结构．在整个聚类过程中无需调整每个数据点的熵值，缩短了计算时间，同时利用粗糙集的不可分辨关系形成字符颗粒结构，通过不断调整、合并这两种颗粒结构，实现了具有混合属性特征数据的聚类分析．实验结果比较表明，该算法是有效、可行的，当卢取值为0．8时，算法的聚类有效性最大值可达0．96，该值较同条件下的其他聚类算法要高。     

煤炭资源开采系统评价

煤炭资源开采系统不仅要实现经济效益最大化，而且要最大限度地提高资源回采率，保护环境和发展循环经济。文中从国民经济的角度出发，详细分析了煤炭资源开采系统的目标和其主要影响因素（产量、售价、成本和投资）；确定经济净现值作为评价指标，考虑资源本身价值、矿井服务年限、资源回采率、环保投资比例等因素，建立了煤炭资源开采系统评价数学模型，用于计算经济净现值，优选煤炭资源开采系统方案；简要说明了该模型的求解方法，并以实例说明了模型的应用价值和考虑资源本身价值的重要性。     

定向信息推荐下多维信任数据协同推荐算法研究

随着通信用户数量的逐渐增加,当前多维信任数据协同推荐算法无法有效满足用户对资源多样性、准确性和发掘能力的要求。为此,提出一种新的定向信息推荐下多维信任数据协同推荐算法。通过矢量空间模型对用户兴趣进行描述,将具有代表性的用户看作该类用户的聚类中心,建立用户对资源的偏好矩阵,求出依据综合信任值的用户相似度;重复选择聚类中心,直至符合既定阈值。获取用户聚类结果后,选择待推荐用户所处聚类中和该用户相似的若干用户,依据上述近邻对目标资源的评分值实现目标用户对目标项目的预测。给出定向信息推荐下多维信任数据协同推荐算法的实现过程,输出Top-N多维信任数据推荐集合。实验结果表明,所提算法预测精度和资源多样性高,发掘能力强,推荐效果好。     

基于提高RNN算法聚类效果的研究

RNN（相互最近邻）算法是一种基于层次的聚类算法,它比其他传统的层次聚类算法聚类更快.由于利用RNN算法对同一个数据集聚类,若选择不同簇间距离度量方式,那么聚类结果就会不同.因此在分析聚类结果对距离度量方式依赖性的基础上,采用用聚类聚集的思想,找出一种新的聚类方式,从而使得聚类效果更好.     

北京水资源短缺风险预测

应用灰色—指数平滑变权组合预测的方法,对2010年北京市缺水总量及水资源总量进行预测,并且计算了单项预测及组合预测的精度,通过比较得出组合预测的方法精确度较高,最后用组合预测的方法预测出2010年北京市缺水总量及水资源总量;对于2001年—2010年采用模糊概率的方法计算出各年缺水风险度,再用快速聚类分析的方法确定北京市2010年缺水等级为中级,必须采取措施降低风险。     

基于弹性分布数据集的海量空间数据密度聚类

为了快速挖掘大规模空间数据的聚集特性,在cluster_dp密度聚类算法基础上,提出了一种基于弹性分布数据集的并行密度聚类方法 PClusterdp.首先,设计一种能平衡工作负载弹性分布数据集分区方法,根据数据在空间的分布情况,自动划分网格并分配数据,使得网格内数据量相对均衡,达到平衡运算节点负载的目的;接着,提出一种适用于并行计算的局部密度定义,并改进聚类中心的计算方式,解决了原始算法需要通过绘制决策图判断聚类中心对象的缺陷;最后,通过网格内及网格间聚簇合并等优化策略,实现了大规模空间数据的快速聚类处理.实验结果表明,借助Spark数据处理平台编程实现算法,本方法可以有效实现大规模空间数据的快速聚类,与传统的密度聚类方法相比具有较高的精确度与更好的系统处理性能.     

一种基于名词短语的检索结果多层聚类方法

为了对检索结果获取高质量的聚类效果,提取名词短语作为候选类别标签,根据候选类别标签分布情况生成基础类,再使用具有线性时间复杂度的一趟聚类算法对基础类进行多层聚类。与NEC,STC和Lingo算法的对比实验表明:该方法在类别标签的可读性、有效性以及聚类性能上都优于以上3种方法。     

Qingdao City Resources Water Price Estimate

The water resource price is currently one of the difficult problems of water price research.After references collection,investigation and analysis,the water resource price of Qingdao City was calculated by applying fuzzy mathematics.According to the present situation and region characteristic of Qingdao,water quality,per capita water supply,economical level,population density and alternative water resources were selected as water resource influence factors and weigh coefficients of all these factors were ascertained.The results show that the water resource price of Qingdao is 3.05yuam/m3 and total water price is 4.65Yuan/m3.     

基于虚拟集群在线迁移的虚拟化资源整合算法

针对虚拟集群内部关联性和并行作业的运行特点, 基于虚拟集群在线迁移机制, 提出一种虚拟化资源整合算法. 先对系统建模, 描述云计算环境下的虚拟化资源整合问题; 再使用区域划分法对异构资源分类, 从而初步降低问题的规模和求解难度; 最后提出在同构子域中进行虚拟集群迁移的FFD_grp算法. 采用同种负载和多种资源分配方法模拟多种资源使用情况, 并对该方法进行验证. 实验结果表明,  FFD_grp算法能显著提高资源整合效果, 有利于抑制资源碎片的产生.     

面向稀疏数据集的聚类算法

在聚类过程中数据可能呈现稀疏性,如果仍用传统的欧式距离作为聚类指标,则聚类的质量和效率将会受到严重的影响。受到信息论中KL(Kullback-Leibler)散度的启发,采用基于KL散度的相似性度量方法,先描述数据的整体分布,进而对数据进行聚类。研究结果表明,最后通过实验验证本算法的有效性。这种方法可以利用簇中元素提供的信息来度量不同簇之间的相互关系,克传统欧式距离的缺点,提升算法准确度。     

Web用户聚类研究

Web日志数据的海量增长,要求聚类算法能高效的从海量数据中得到满意的用户聚类．本文提出了一种新的聚类算法,在聚类前,利用用户兴趣度对海量数据集进行约简、减小数据计算规模,然后再对Web用户进行聚类．实验证明这种方法能减小数据规模、提高聚类效率,并得到满意的用户聚类．