降水时间序列的聚类分析和预测

本文阐述了对160个中国大陆降雨序列进行同步预测的完整方法。预测模型是用多元分析和随机序列等方法综合建立的, 预测结果较好。文中重点研究能用个人计算机可方便地同时预测这160个点的方法。因此, 首先采用聚类方法将160个点的降水序列分成若干个局部特征相似的几个子类。采用该法的分类结果与国内大多数着名专家的分类结果相似。采用数据压缩法求出每个子类周期性特征的主成分序列, 计算中在精度损失不大情况下尽量压缩计算量。该模型预测一年后的降雨量, 获得令人满意的结果。     

Clustering criteria for discrete data and latent class models

We show that a well-known clustering criterion for discrete data, the information criterion, is closely related to the classification maximum likelihood criterion for the latent class model. This relation can be derived from the Bryant-Windham construction. Emphasis is placed on binary clustering criteria which are analyzed under the maximum likelihood approach for different multivariate Bernoulli mixtures. This alternative form of criterion reveals non-apparent aspects of clustering techniques. All the criteria discussed can be optimized with the alternating optimization algorithm. Some illustrative applications are included.

---

Résumé Nous montrons que le critère de classification de l'information, souvent utilisé pour les données discrètes, est très lié au critère du maximum de vraisemblance classifiante appliqué au modèle des classes latentes. Ce lien peut être analysé sous l'approche de la paramétrisation de Bryant-Windham. L'accent est mis sur le cas des données binaires qui sont analysées sous l'approche du maximum de vraisemblance pour les mélanges de distributions multivariées de Bernoulli. Cette forme de critère permet de mettre en évidence des aspects cachés des méthodes de classification de données binaires. Tous les critères envisagés ici peuvent être optimisés avec l'algorithme d'optimisation alternée. Des exemples concluent cet article.

     

Weighting and selection of variables for cluster analysis

One of the thorniest aspects of cluster analysis continues to be the weighting and selection of variables. This paper reports on the performance of nine methods on eight leading case simulated and real sets of data. The results demonstrate shortcomings of weighting based on the standard deviation or range as well as other more complex schemes in the literature. Weighting schemes based upon carefully chosen estimates of within-cluster and between-cluster variability are generally more effective. These estimates do not require knowledge of the cluster structure. Additional research is essential: worry-free approaches do not yet exist.     

基于密度聚类补偿模糊神经网络的建模方法

补偿模糊神经网络是综合补偿模糊逻辑和神经网络的混合系统。提出了将密度聚类算法运用到补偿模糊神经网络的输入模糊化和规则提取中。通过该方法对非线性系统的建模,仿真结果证明改进后的网络在提取规则、误差精度、收敛速度等方面均优于传统补偿模糊神经网络。     

产业集群对高科技企业发展的影响探析

高科技企业由于其自身的特点,比传统企业更倾向于集聚成群。集群环境在为高科技企业带来一系列发展的利益机制的同时,也带来了潜在的负面影响。高科技企业应根据自身的条件,选择加入适宜的集群,同时,政府应进行积极的干预,以趋利避害,推动企业的长期可持续发展。     

一种基于信息粒度的高属性维稀疏数据聚类算法

目前的高属性维稀疏数据算法大多面向二态数据，而且没有聚类结果的评价方法，给应用带来很大局限。针对这些问题，给出一种基于信息粒度的高属性维聚类算法。首先通过设计面向数据稀疏特征的半模糊聚类算法对数据进行离散化，并基于此给出稀疏相似度和初始等价关系的定义，然后设计可变精度的二次聚类模型对初始聚类结果进行修正，使算法具有较强抗噪声能力，最后结合应用领域定义一种新的聚类质量的评价模型。实验证明，算法具有更广应用性，可提供多粒度分析结果，准确度更高，得到的聚类结果能真实反映数据的特征。     

Boole函数的稳健线性可分及其计数

Ｂｏｏｌｅ函数的线性可分和线性不可分问题，一直是前向人工神经网络的一个比较困难的问题，目前仅对变量数ｎ＜７的线性可分问题给予过讨论。本文基于简化问题讨论和优化问题的解的思想，提出了稳健分类复杂度的概念，并对Ｂｏｏｌｅ函数稳健分类复杂度为１的稳健线性可分问题，提出了对这类Ｂｏｏｌｅ函数进行计数的方法，并给出了计数结果     

基于双簇头无线传感器网络分簇算法的研究

针对无线传感器网络分簇协议中簇头及附近节点能量消耗不均衡的问题,提出了一种基于双簇头的无线传感器网络分簇路由算法。该算法利用双簇头的网络模型来解决节点侦测信道消耗能量的问题;构造了适应值函数和能量消耗函数用于选择和优化簇头,提高网络能量消耗的均衡性,降低网络能耗。实验结果证明了该算法的有效性。     

学生高等数学成绩的模糊分析

利用模糊数学的基本概念与方法，分析影响学生高等数学成绩的主要因素。并对学生的学习情况进行聚类分析，为改进教学，因才施教，不断提高高等数学的教学质量提供了依据。     

基于免疫单亲遗传和模糊C均值的聚类算法

聚类算法是数据挖掘算法中的重要方法之一。本文在分析了FCM算法和基于遗传聚类算法的不足基础上,提出了一种基于免疫单亲遗传和模糊C均值的混合聚类算法,克服了FCM的局部最优问题以及普通遗传算法聚类时的搜索速度和聚类精度的矛盾,实验表明该算法是有效的。