投影寻踪动态聚类模型

投影寻踪聚类模型在多因素聚类分析中被广泛应用并取得了满意的效果,然而,该模型还存在诸如密度窗宽参数取值经验确定等不足,有待改进提高.本文针对投影寻踪聚类模型的不足,首次把投影寻踪的思想和动态聚类方法结合起来构造投影指标,基于免疫进化算法,建立了投影寻踪动态聚类新模型.新模型一方面在整个运算过程中毋需人为给定参数,聚类结果客观、明确,另一方面,它还具有稳定性好、操作简便等特点.洪水分类的实际应用表明,投影寻踪动态聚类模型切实可行,取得了很好的效果,在多因素聚类分析领域具有广阔的应用前景.     

基于谱聚类的图像多尺度随机树分割

针对谱聚类（spectral clustering）应用于图像分割时权矩阵的谱难以计算的实际问题，定义了像素点与类之间的距离，给出一个采样数定理，设计了一个图像的分层分割（hierarchical divisive）算法．在利用该算法进行图像分割时，由于既要对待分类的点进行随机抽样，又要通过调节尺度因子来合并较小的类或拆分较大的类，因此图像的分割既具有随机性又具有多尺度特性，称之为基于谱聚类的图像多尺度随机树分割（multiscale stochastic hierarchical image segmentation byspectral clustering，简写为MSHISSC）．实验结果表明了算法的有效性．     

钢铁企业合作创新项目选择的模糊聚类分析

在合作创新过程中,针对区间数的评价信息,提出一种基于遗传算法的模糊聚类方法.考虑方案各准则的权重、准则值为区间数,同时要求对聚类中心各准则值有严格序关系.然后结合隶属度变量构建优化模型,利用具有动态惩罚函数的遗传算法求解,计算得到各方案的所属类别.实例证明了该方法的有效性和可靠性.     

一种新的混合聚类算法

聚类是数据挖掘的主要技术之一,是一种无导师监督的模式识别方式。聚类分析就是按照数据间的相似程度,依据特定的准则将数据划分成不同子类。K-平均算法是经典的聚类算法。蚂蚁聚类算法是近来涌现的新的聚类算法,它通过模拟蚁群的智能行为进行聚类分析,已经在数据挖掘中得到应用。通过分析蚂蚁聚类算法和K-平均算法两种不同聚类算法的基本思想,将两种算法结合得到混合聚类算法,仿真实验证明混合聚类算法的算法性能优于蚂蚁算法和K-平均算法。     

自动化系统数据挖掘问题的模拟退火解法

数据挖掘是近年来发展起来的新技术,指挥自动化的辅助决策过程也越来越依靠数据挖掘求解。通过数据挖掘,可以有效地处理海量数据,为正确决策提供支持。模拟退火是一种性能优越的计算智能算法,广泛应用于求解非线性最优化问题。数据挖掘中的数据聚类与模拟退火在本质特性上存在相似,可以将模拟退火应用于数据挖掘。通过蒙特卡罗方法生成随机数据,进行基于模拟退火的聚类分析。算例表明,新方法能够很好地进行数据聚类,具有较好的适用性。     

适于带宽变化的链路共享方法

对于无线链路和共享信道的链路，由于受外界干扰或共享冲突的影响以及采取的应对措施，使得链路带宽处于变化中。这样的链路为不同用户所共享时，原有的分层链路共享方法由于假设带宽恒定，不能适用于这样的环境。通过对这一环境和链路共享机制深入分析。提出了适于带宽变化的链路共享方法。来满足用户对此链路带宽共享需求和服务质量需求。并通过大量仿真实验对这一方法进行了深入分析，验证了其可行性和合理性。     

UML类图到CPN转化方法的研究

UML（Unified Modeling Language）作为一种面向对象分析和设计的建模语言已被用在很多大型软件系统中,但UML缺乏精确的语义描述,难以直接用数学工具对UML模型进行分析、验证。而CPN（Coloured Petri Nets）作为一种建模工具,有着严格的形式化语义和分析方法。主要针对UML的类图,给出类图到CPN的转换方法,并以实例说明。     

利用改进的精细积分法求解转子系统的瞬态响应

针对用精细积分法求解转子系统的瞬态响应时会出现奇异矩阵的情况,对精细积分法进行改进。利用改进的精细积分法对Jeffcott转子模型系统的瞬态响应进行分析。算例与仿真实验论证了改进方法求解转子瞬态响应的可行性。     

架设基于.NET的SMTP服务

在.NET Framework2.0版的System.Net.Mail命名空间中,新增了用于将电子邮件发送到简单邮件传输协议（SMTP）服务器的MailMessage类.本文应用MailMessage类及其From、To、Body、CC等关联属性以及Windows提供的IIS（Internet信息服务）,开发了一个基本的基于.NET的电子邮件发送服务以及一个电子邮件客户端软件MyMail.     

基于最邻近聚类和向量模糊c-均值的混沌预测

针对混沌时间序列难预测的问题,提出一种新的基于最邻近聚类和向量模糊c-均值(FCMV)聚类算法的模糊建模方法。其前提参数辨识分两步,首先用最近邻聚类法初始划分输入空间,得到规则数及初始聚类中心,再用FCMV把具有相同收敛向量的聚类中心归到同一个区域来优化前一步得到的聚类中心,得到前提参数;采用递推最小二乘算法辨识模型的结论参数。最后通过对Mackey-Glass混沌时间序列的建模和预测验证了该方法的有效性与实用性。