盐生荒漠与绿洲农田土壤CO2通量的对比研究

为定量确定干旱区土地利用变化对土壤CO₂通量的影响,采用LI-8100观测了原始盐生荒漠和垦荒农田的土壤CO₂通量.结果表明：在整个生长期内,农田土壤CO₂通量平均速率为3.19μmol?m^-2?s^-1,盐生荒漠为0.08μmol?m^-2?s^-1.农田土壤CO₂通量的日过程呈单峰型,盐生荒漠则呈双峰型;农田土壤CO₂通量远高于盐生荒漠,盐生荒漠夜间的土壤CO₂通量均为负值.绿洲农田最高月均值出现在7月(4.67μmol?m^-2?s^-1);荒漠最高出现在6月(0.17μmol?m^-2?s^-1),9月后荒漠土壤CO₂通量的月均值降为负值.进一步研究表明：盐生荒漠垦荒前后土壤CO₂通量与土壤温度的相关性都随土壤深度增加而减小,而与近地面10cm气温关系最密切;湿润事件对土壤CO₂通量具有促进作用.盐生荒漠开垦为农田后不仅改变了土壤CO₂通量的量级,且在一定程度上改变了通量的方向.     

河南省2005年县域经济发展水平综合评价

应用模糊集(Fuzzy Set)和粗糙集(Rough Set)理论研究了评价和预测问题中样本的聚类分析与各因素的合理赋权问题,给出基于原始统计数据,无需人们先验知识的模糊聚类,在此基础上,仅仅从原始的统计数据中挖掘出各评价因素权重,进而开展综合评判的新方法.并依据河南省统计局2003年给出的指标体系和2006河南省统计年鉴数据,对2005年河南省的县域经济综合发展状况进行了聚类实证分析,对各评价因素进行了权重挖掘,根据所得结果对河南省2005年县域经济发展水平进行了综合评价和分析.     

基于K均值算法的数据聚类和图像分割研究

K均值算法利用K个聚类的均值作为聚类中心,通过对比样本到各聚类中心的距离,将样本划分到距离最近的聚类中,从而实现样本的聚类.分析了K均值算法的基本原理和实现步骤,并将其应用于数据聚类和图像分割,取得了较好的聚类效果.最后,针对K均值算法的不足之处,提出了改进措施,提高了K均值算法的聚类性能.     

基于均值密度中心估计的k-means聚类文本挖掘方法

文本挖掘作为数据挖掘的重要研究领域,是检索有用文本信息的重要手段。通过对K-means聚类挖掘方法的基本原理和实现步骤的分析,发现随机选择聚类中心迭代初值、奇异点问题是制约其发展的技术瓶颈,针对该方法的不足,提出了一种基于均值密度中心估计的K-means聚类文本挖掘方法,采用基于均值密度的聚类中心初值估算取代原有方法的随机选取模式,设计自适应的邻域形状选择机制,用均值密度配合阈值消除奇异点。实验结果表明,提出的方法提高了K-means聚类方法的文本挖掘性能,使得文本挖掘查准率得到很大的提高,不仅强于一般K-means均值聚类方法,且和新近流行的自组织神经网络聚类方法相比也具有一定的优势。     

完全市场情况下多阶段均值-VaR投资组合优化

将VaR风险度量方法拓展到多阶段投资组合优化,提出了完全市场情况下多阶段均值-VaR投资组合模型,该模型的目标函数不具有可分离性。采用嵌入式方法将不可分离的问题转化为可分离的,并运用动态规划方法得到了模型的解析解,即最优投资策略。通过一个算例验证了该模型和求解方法的有效性。     

具有全局优化能力的K均值聚类算法

传统的K均值聚类算法是确定性的迭代算法,具有探索能力弱、容易陷入局部最优的缺点.在聚类中心的更新过程中加入系数因子线性递减的随机项,使改进的迭代算法在前期具有强的探索能力,而在后期保持良好的局部搜索能力,同时保持了传统K均值聚类算法结构简单的特点.实例说明,增加了随机项的K均值聚类算法具有良好的全局优化能力.     

混合调制信号调制识别方法

研究基于决策理论算法的混合调制信号特征参数提取与自动识别技术,提出适合混合调制信号调制识别的树型分类器及相应识别步骤。在外调制、内调制识别时首次分别采用副载波信号个数构成的特征矢量、均值归一化包络方差、副载波信号瞬时幅度分布区域统计值等算法,抑制噪声干扰,提高特征参数的准确性,仿真结果表明,在信噪比为6 dB情况下,调制识别率接近90%,和现有混合调制识别方法相比取得较好的识别效果,在混合信号调制识别管理中具有广泛的应用前景。     

基于余弦定理和K-means的植物叶片识别方法

为了提高植物叶片识别准确率,提出一种基于余弦定理和K-means的识别方法.该方法首先通过提取叶片的Hu不变矩和形状特征得到叶片的综合特征向量,然后使用K均值聚类(Kmeans)对各类叶片训练样本的特征向量集合进行聚类以获得聚类中心特征向量,紧接着使用余弦定理计算目标叶片和训练样本的相似度并排序.仿真实验表明:在Flavia植物叶片数据库中进行测试,该文方法以96.03%的概率在前5位发现目标,优于KNN、BP神经网络方法,因此,该方法具有一定的实用价值.     

The Extended Linear-Drift Model of Memristor and Its Piecewise Linear Approximation

Memristor is introduced as the fourth basic circuit element.Memristor exhibits great potential for numerous applications,such as emulating synapse,while the mathematical model of the memristor is still an open subject.In the linear-drift model,the boundary condition of the device is not considered.This paper proposes an extended linear-drift model of the memristor.The extended linear-drift model keeps the linear characteristic and simplicity of the linear-drift model and considers the boundary condition of the device.A piecewise linear approximation model of the extended linear-drift model is given.Both models are suitable for describing the memristor.     

一种改进的数据流聚类方法

针对传统K-均值方法不能有效处理动态变化的数据聚类的问题,本文提出了一种改进的数据流聚类技术——流式K-均值聚类(Streaming K-means Clustering,SKC).该方法首先对数据流中已经产生的初始数据块进行K-均值聚类,当数据流的新数据块到来时,通过衡量已经得到的聚类结果与新进入样本块的距离,对样本进行初步简单归类,并计算聚类结果的性能,若聚类结果性能在可接受范围内,则该数据块聚类结束,否则采用K-均值方法对新类进行深层次聚类.采用SKC的流式数据聚类方法处理数据流的聚类问题,对于整个数据流中的多数数据块都进行简单归类,只有少数数据块进行K-均值聚类,有效提高了数据流聚类的效率.实验结果表明,流式K-均值聚类方法能够有效处理数据流的聚类问题.