基于LSI和自组织神经网络的高效文本聚类方法

根据隐含语义索引(LSI)理论和动态自组织映射神经网络理论,提出了一种文本聚类的新方法.应用动态自组织映射神经网络来实现文本聚类,不必预先给定聚类个数,可以在任意合适的位置生成一个新的类,具有聚类灵活和精度高等特点,对于高维的文本特征向量来说,聚类速度很低;该方法应用LSI理论来建立文本集的向量空间模型,在词条的权重中引入了语义关系,消减了原词条矩阵中包含的"噪声"因素,从而更加突出了词和文本之间的语义关系.通过奇异值分解(SVD),有效地降低了向量空间的维数,克服了自组织神经网络的聚类缺陷,提高了文本聚类的精度和速度.     

关于两个欧氏子空间的对称线性变换

作为欧氏空问对称变换的推广．引入了关于两个子空间的对称变换。并对其代数性质进行了初步探讨，刻画了该类问题的代数结构．     

基于部分匹配方式的可扩展P2P搜索算法

理想的P2P(Peer-to-Peer)搜索算法应该同时具有信息检索水平的查询质量和有效的搜索性能。然而,现有的搜索算法都不能同时较好地满足这两点。基于这两个目标,该文提出一种基于层次聚类的分布层层次聚类(DHC)搜索算法。该算法中首先利用向量空间模型将文件内容表示成向量的形式,然后经过层次聚类操作得到一棵关于全网所有文件向量的层次树,层次树信息分布式地存储于整个网络中,以层次树为路由线索,路由深度不会超过树的高度。初步仿真试验表明,该算法的查全率在80%以上,并具有对数量级的搜索与更新代价。     

模糊聚类分析在环保测评中的应用

给出了模糊聚类的基本思路，确定了模糊统计量的步骤，讨论了模糊传递闭包的等价性。根据绵阳市的气候环境观测资料，用模糊聚类分析方法对绵阳市的气候环境作了初步分析，应证了模糊聚类分析在环保测评中的作用。     

一种基于自组织特征映射网络的聚类方法

针对传统聚类算法不能有效地处理大数据集和高维数据集的问题,提出了一种基于自组织特征映射网络的聚类方法。该方法能将任意维输入模式在输出层映射成一维或二维离散图形,并保持其拓扑结构不变,而且无需监督,能自动对输入模式进行聚类。给出了应用该方法的具体步骤和加速自组织过程的若干改进方法,通过仿真实验证明该算法的有效性。     

语音识别中基于模糊聚类分析的参数聚类

为减少语音识别中声学模型的参数量，提高参数训练的鲁棒性，基于声学决策树结构，提出利用模糊聚类分析方法对模型参数聚类，包括高斯聚类和方差共享．对大词汇量汉语连续语音识别的实验结果表明：高斯模糊聚类使高斯数减少25％时，识别率提高了0．15％．进一步做模糊方差共享，当方差减少到初始模型的24％，与同样参数量的未进行聚类的模型相比，误识率下降了3．01％，证明了模糊聚类分析在语音参数聚类中的有效性．     

信号频率-方向联合估计中的双旋转子空间法

提出了一种基于子空间2次旋转变换的频率-方向联合估计方法．该方法可同时估计空间信号频率和到达方向，其阵列由M个阵元组成，避免了复杂的阵列结构．计算机模拟结果表明，该方法不仅阵列结构简单，在中等SNR时具有良好的分辨性能，而且运算速度较快。     

一类加权连续属性的多变量决策树构造方法

首先利用粗集理论和模糊聚类理论确定连续多变量属性的选择问题,然后利用聚类中心算法建立等级标准中心以解决连续变量的区间划分问题,其次将等价关系相对泛化的概念用于决策树中多变量检验的构造。最后通过实例说明了本方法是可行的。     

一种区间值聚类的数据挖掘方法

提出了一种区间值聚类的数据挖掘方法。该方法首先将数据库中的数据按照属性进行聚类,将它们划分为若干区间,对于同一区间中的数据赋予相同的编号,以此处理直至数据库的最后一个属性。在完成这种转换后即可使用关联规则的挖掘方法。该方法与传统的数据挖掘方法相比更加符合实际。大量的仿真数据集和真实数据集的实验结果表明该算法是有效的。     

群集性随机图中的波及效应

随机图是社会网络分析的重要工具,在Newman等对传统随机图模型的研究基础上,研究了具有群集性的随机图这一与现实社会网络更为接近的随机图模型中的波及效应。利用概率论的方法计算出群集性随机图中距离波动中心任意远的被波及对象的期望数量,利用推导出的一般公式分析了该类随机图中波及效应的特点,并考察了群集性对波及效应的影响。由分析知,每个点的平均阶是影响波及效应的最具决定性的因素。从总体上说,群集性降低了波及效应。