基于核函数的层次聚类算法

层次聚类算法是运行复杂度较高的聚类算法,基于不相似性测度的层次聚类算法不适合稀疏高维数据.结合核函数特点,提出了一种基于核函数的层次聚类算法.利用该算法,对稀疏高维数据进行了层次聚类对比,实验结果表明,该算法提高了层次聚类的准确率.     

基于聚类非参数检验的动态停车需求分布特征

为了探索动态停车需求的分布特征,提出聚类非参数检验分析方法.该方法按照个体-组-类的顺序对多时段随机变量进行聚合,在各聚合阶段运用相应的非参数检验方法校核结果,在确保拟合精度的同时,采用相应的模型描述动态随机变量的分布特征.结合该方法的运用,从问题确定、数据调查、数据处理与分析以及分布特征的归纳总结等环节详细阐述了动态...     

基于Probit的犯罪嫌疑人判定方法研究

为了在涉案人群中实现计算机识别犯罪嫌疑人,协助办案并提高办案效率,提出了一种基于Probit模型的犯罪嫌疑人判定技术.采用聚类的分离算法、关联算法以及Probit模型的显著性水平参数发现重要属性,通过对重要属性提取后的数据进行训练得到犯罪风险判定模型.实验结果表明,该方法对嫌疑人判定的平均准确率达到90.5%,平均查全率达到92.7%,判定效果较好.     

含能黏合剂聚2,2-二硝基丁基丙烯酸酯的合成与性能

以1-硝基丙烷为原料,经过氧化硝化和羟甲基化反应合成了2,2-二硝基-1-丁醇.2,2-二硝基丁醇与丙烯酸进行酯化反应得到2,2-二硝基丁基丙烯酸酯.以2,2-二硝基丁基丙烯酸酯为单体,偶氮二异丁腈为引发剂,甲苯为溶剂,按自由基聚合机理,合成了含能黏合剂聚2,2-二硝基丁基丙烯酸酯,确定了2,2-二硝基丁基丙烯酸酯的均聚动力学.用FTIR,1 HNMR,TG,DSC等方法表征了聚2,2-二硝基丁基丙烯酸酯的结构和热性能.结果表明,2,2-二硝基丁基丙烯酸酯均聚速率方程为Rp=k[M1].27[I]0.63,说明链终止为单基终止和双基终止并存.聚2,2-二硝基丁基丙烯酸酯热分解峰温为260℃,质量损失21%.     

基于遗传算法的直觉模糊C均值聚类算法

 针对一般直觉模糊C均值聚类算法在寻优过程中易陷入局部最优解的问题,利用遗传算法具备全局寻优的优点,提出了一种基于遗传算法的直觉模糊C均值聚类算法。在该算法中聚类中心为直觉模糊数,这使得遗传过程中个体信息变得复杂,进而增大了约束问题的处理难度。本文对产生的个体采用适时分段的归一化方法,很好地解决了该问题。仿真结果表明该算法所得聚类结果不仅准确而且更为细致。     

聚己内酯热分解机制及其热分解产物

精制后的聚己内酯用三氯甲烷为溶剂制成溶剂膜.以调制式热重分析(TGA)为聚己内酯热裂解的研究方法,并使用核磁共振(NMR)和傅里叶变换红外光谱(FTIR)分析其热裂解后所得的产物.TGA的结果表明,聚己内酯的热裂解过程分为两步,第一步的分解温度为205～295℃,失重率为7.0%;第二步分解温度为311-374℃,失重率为88%.结果同时得到了聚己内酯热分解的活化能、指前因子和速率比等热分解动力学常数,分别为第一步80kJ/mol,5min-1和0.3,第二步分别为146kJ/mol,11min-1和0.47.裂解后的产物经过NMR和FTIR分析,发现不但有高分子的聚已内酯,也有呋喃、取代环丙烷以及不饱和的羧酸等小分子化合物产生.     

基于AIC方法的切换神经网络模型设计

将切换系统设计中的切换思想与神经网络相结合,构建了切换神经网络模型.根据模糊C均值（FCM）聚类方法将样本数据分为多组训练数据,每组数据对应训练一个单一神经网络模型,再利用赤池信息准则（AIC）制定相应的切换规则.根据输入数据特性,选择单一网络或多网络组合的输出作为模型输出,从而达到函数逼近目的.本模型更好地利用了各个子网络在特定区域具有较高逼近精度的特点.仿真结果表明,切换神经网络模型有较高的逼近精度.     

Cs相似度函数下正则谱聚类的收敛阶

用覆盖数逼近的方法给出Cs相似度函数下正则谱聚类的收敛阶.     

基于人工免疫聚类的欺诈客户分析

针对传统aiNet聚类算法在处理欺诈客户分析时聚类精度差的问题,该文基于一种新的免疫聚类算法(SE-aiNet)提出了利用子群群体特征进化的免疫聚类算法,使收敛速度有显著提高,并在保持抗体种群规模的情况下有效提高了抗体的多样性;以训练所得的规则集来判断客户是否欺诈,经某银行的实际数据验证,算法的误分比例为24.0%,而相同环境下BP-NN算法的误分比例为32.3%,C-SVM的误分比例为28.6%。     

一种鲁棒的子空间聚类算法

针对聚类分析常面临的维数灾难和噪声污染问题,将样本加权思想与子空间聚类算法相结合,提出了一种鲁棒的子空间聚类算法.该算法结合现有子空间聚类方法,为每个类簇计算一个反映各维度聚类贡献程度的权矢量,并利用该权矢量对各维度加权组合,得到各类簇所处的子空间.此外,算法还为每个样本分配一个反映离群程度的尺度参数,以区分正常样本和离群点在聚类过程中的地位,保证算法的鲁棒性.在二维数据集、高维数据集以及基因数据集上的对比实验结果表明,对于具有不同噪声比例的各种维度数据集,该算法均能取得较高的聚类精度,表现出较好的鲁棒性.