基于聚类的Web用户访问模式的算法研究

用户对Web站点的访问代表了用户对Web站点上页面的访问兴趣,这种兴趣程度可以通过用户对Web站点上页面的浏览顺序及页面上的浏览时间表现出来.通过对Web用户访问路径的分析,提出一种基于浏览路径及浏览时间的相似度的度量方法.然后,把粗糙度的概念引入Leader聚类算法中,提出粗糙Leader聚类算法.最后使用标准数据集进行了试验,证明基于此种相似度计算方法,应用粗糙Leader聚类算法Web用户的有效性.     

一道非惯性系力学题的多种解法

以具体例题浅析怎样解决非惯性系的动力学问题,分别应用牛顿第二定律、拉格朗日方程、哈密顿正则方程等方法求解:牛顿第二定律解决问题,需要对质点进行受力分析,比较复杂;用拉格朗日方程解决,思路清晰,是一个二阶常微分方程组;而哈密顿正则方程则是一个一阶常微分方程组,形式简单,使用方便.     

基于知识的关系聚类用于对象化事务处理

针对ＤＳＳ和ＭＩＳ中一类涉及多个关系表的过程性事务处理问题,利用人工智能的框架知识表达范式表达类知识,在此基础上进行关系表的聚类并按产生式规则进行事务处理,在一定程度上较好解决了问题的求解．同时给出了求解的实例．     

*EI 拓扑分子格在聚类分析中的应用

本文在引入AFS代数和AFS结构的基础上,通过对AFS代数上拓扑分子格结构的讨论,给出了EM中,由一些模糊概念生成的拓扑分子格所诱导出的X上拓扑的几点性质,并利用这些性质,对一个实际例子构造了隶属函数进行聚类分析,说明了这些性质在聚类分析中的应用。     

《吉林大学学报(理学版)》征稿简则

《吉林大学学报(理学版)》(原刊名《吉林大学自然科学学报》)是由教育部主管、吉林大学主办的综合性科学技术类学术期刊。《吉林大学学报(理学版)》为中国期刊方阵双百期刊、中文综合性科学技术类核心期刊、吉林省一级期     

基于比率的离散型Leslie系统正周期解的存在性

利用重合度理论中的延拓定理讨论了具Holling-Tanner Ⅲ类功能反应比例确定的离散周期Leslie系统的正周期解的存在性,获得了正周期解存在的充分条件.     

ART2神经网络聚类的改进研究

为进行快速动态层次聚类,通过分析自适应谐振理论(adaptive resonance theory,ART)神经网络的快速学习、主观设置警戒参数、输出无层次结构等优缺点以及自组织特征映射(self-organizing feature map,SOFM)神经网络的侧反馈、不能动态聚类、输出无层次结构等优缺点的基础上,借鉴Hebb规则的思想,针对ART2神经网络的聚类算法进行了改进研究.通过结构描述、算法分析,该算法融合了ART2和SOFM的优点,克服其不足之处,以快速学习的方式形成可带有多层层次的动态聚类结构(不同的层次代表不同粒度的聚类),此外还降低了对警戒参数主观设置的要求,对于较粗粒度的聚类不再需要重新训练神经网络.并通过仿真实验证明该算法的有效性.     

深海沉积物中产淀粉酶细菌的rep—PCR基因指纹分析

利用淀粉酶筛选培养基平板从27个深海沉积物样品中筛选得到30个具有胞外淀粉酶活性的菌株．其中革兰氏阴性细菌有22株．阳性细菌有8株．对这些细菌的基因组DNA进行ERIC—PCR和BOX—PCR扩增．指纹图谱显示大部分菌株均存在数目不等的各自独特的带型．各特异性扩增的主带型能重复稳定出现．比较两种引物的指纹图谱．显示ERIC—PCR比BOX—PCR具有较丰富的图谱多态性．对产生的指纹图谱进行聚类学分析．30株细菌可分为10组．其中5株细菌分别独立成组．最多的第Ⅱ组包含有8株细菌．而在同一聚类组内的细菌可能是处于进化上亲缘关系较近的位置．研究显示，30株菌具有丰富的种属多样性．揭示了深海微生物资源的丰富和潜力．ERIC—PCR和BOX—PCR技术可用于对深海微生物群落组成和多样性的研究．     

数字图像边缘检测的模糊聚类研究

数字图像的边缘检测实际上是一类聚类的问题,这些边缘由许多线段、曲线或平面和曲面所构成,组成了不同的类属和分割的区域,可以用在机器人视觉的模型识别、军事目标识别等领域。模糊聚类法（包括模糊均值聚类法和模糊球壳聚类法）具有不必事先对数据中的边界特征信息了解太清楚的优点,为此通过实验对其进行了有益的探索。     

基于密度RPCL的K-means算法

目的探索同时确定K-means算法的最佳聚类数K和最佳初始聚类中心的方法,使K-means算法的聚类结果尽可能地收敛于全局最优解或近似全局最优解。方法以次胜者受罚竞争学习(Rival Penalized Competitive Learning,RPCL)作为K-means的预处理步骤,以其学习结果作为K-means的聚类数和初始聚类中心并依据数据集样本自然分布定义样本密度,将此密度引入RPCL的节点权值调整,以此密度RPCL的输出作为K-means的最佳聚类数K和最佳初始聚类中心。采用UCI机器学习数据库数据集以及随机生成的带有噪音点的人工模拟数据集进行实验测试,并用不同的聚类结果评价指标对聚类结果作了分析。结果提出的密度RPCL为K-means提供了最佳的类簇数和最佳的初始聚类中心。结论基于密度RPCL的K-means算法具有很好的聚类效果,对噪音数据有很强的抗干扰性能。