Identify Implicit Communities by Grap Clustering

How to find these communities is an important research work. Recently, community discovery are mainly categorized to HITS algorithm, bipartite cores algorithm and maximum flow/minimum cut framework. In this paper, we proposed a new method to extract communities. The MCL algorithm, which is short for the Markov Cluster Algorithm, a fast and scalable unsupervised cluster algorithm is used to extract communities. By putting mirror deleting procedure behind graph clustering, we decrease comparing cost considerably. After MCL and mirror deletion, we use community member select algorithm to produce the sets of community candidates. The experiment and results show the new method works effectively and properly.     

Base64编码的实现与应用研究

通过对Base64编码进行分析,及对实现两个主要类TBase64enCoder类、TBase64deCoder类进行剖析,更清楚了解实现算法的机理,并详细地解释了两个类的属性和方法,以利于编程中对它的正确了解和引用。     

基于小波变换和模糊聚类的自适应水印嵌入方法

利用人类视觉系统(HVS)的掩蔽效应和小波多分辨率分析的特点,作者提出了一种通过在图象的小波域的细节部分进行模糊聚类来寻找适合嵌入水印的位置,再用隶属度作为嵌 入强度来嵌入水印的新的数字水印嵌入算法.实验表明该方法能在保持图象质量的前提下提高水印的鲁棒性.     

一种基于关联规则的搜索引擎结果聚类算法

提出一种搜索引擎结果的聚类方法，采用关联规则方法确定网页文档中的显著短语，并把这些显著短语作为对相应聚类的描述，聚类中包含的文档就是显著短语所关联的文档，然后对形成的聚类按照相关度分数进行排队，最终把结果展现给用户.     

基于互信息的粗糙集信息检索模型

在信息检索过程中，由于文档中存在大量的多义和近义现象，导致不确定性出现，这将影响检索的性能.为此采用基于互信息的粗糙集理论来处理这类不确定性问题.首先计算训练文档集中的词之间的互信息，对互信息做模糊聚类来构造词之间的等价关系，然后借助于该等价关系提出并实现了一个以粗糙集上下近似为基础的信息检索模型，通过实验的测试，该模型能够提高信息检索的效率.     

教育科研类教育主题网站的典型站点分析及策划方案

借助理论分析与实例研究相结合的方法,分析探讨了教育科研类教育主题网站的构建,选取了典型站点对其策划过程进行了分析,并且从网站定位、需求分析、功能模块、信息资源设计、栏目策划等方面入手提出了一整套这一类型网站的可供参考的策划.     

基于OODM的信息系统开发方法

OODM是当今软件界研究的一个热点.相对于传统数据模型,OODM对现实环境的描述更接近于人们的思维方式.结合OODM的特点,对某企业信息系统进行分析建模,给出了OODM的构建方法.     

基于可逆RS码的第Ⅱ类多进制混合ARQ及其性能分析

针对二进制第Ⅱ类混合自动请求重传差错控制系统流量偏低的问题,提出了基于Reed-Solomon(RS)码的多进制混合自动请求重传方案.该方案将信息经RS码编码后,采用多进制调制,信息部分与校验部分分开传输,码的可逆性使得仅由无误的校验部分便可恢复出信息,利于提高流量.数值结果表明,该方案在Rician衰落信道下的流量比传统的二进制方案有了明显提高,同时可靠性依然保持与二进制方案相同的水平.     

基于模糊划分的神经网络集成

基于模糊聚类思想,提出了一种神经网络集成方法.由训练数据的模糊聚类结果,把训练数据划分成相交子集,基于各子集生成集成的个体神经网络.由于各子集所包含的数据和数据的类别各不相同,因而个体神经网络性能和结构存在差异.子集个数确定集成中个体神经网络个数.另外,基于隶属度函数计算公式,提出了个体神经网络输出结论结合方法.理论分析和实验结果表明,此方法对模式分类能取得较好的效果.     

一种新的分类方法——属性均值聚类属性支持向量机(AMC-ASVM)

在属性均值聚类(AMC)与支持向量机(SVM)的基础上,提出了一个新的模式分类算法——基于(属性)聚类的属性支持向量机算法(AMC-ASVM)。主要思想是利用属性均值聚类网络得到的具有概率信息(权重)的样本,来训练属性支持向量机,从而得到分类器。这种方法结合了属性聚类的稳定性与属性支持向量机可以利用加权样本的优点,适合处理具有强噪声的数据。另外,该方法也可以看作是堆近邻分类法的自然推广。在实验部分,将其用于结肠癌基因表达数据的处理。实验结果显示了AMC-ASVM在一定程度上优于最近邻,Boosting,堆近邻,SVM等方法。