河南省2005年县域经济发展水平综合评价

应用模糊集(Fuzzy Set)和粗糙集(Rough Set)理论研究了评价和预测问题中样本的聚类分析与各因素的合理赋权问题,给出基于原始统计数据,无需人们先验知识的模糊聚类,在此基础上,仅仅从原始的统计数据中挖掘出各评价因素权重,进而开展综合评判的新方法.并依据河南省统计局2003年给出的指标体系和2006河南省统计年鉴数据,对2005年河南省的县域经济综合发展状况进行了聚类实证分析,对各评价因素进行了权重挖掘,根据所得结果对河南省2005年县域经济发展水平进行了综合评价和分析.     

基于K-平均值方法的入侵检测系统

介绍了入侵检测系统,将数据挖掘中的K-平均值聚类方法应用于入侵检测系统,对仿真实验的结果进行了分析,证明了将K-平均值方法用于网络入侵检测的可行性。     

文本聚类综述

聚类作为一种自动化程度较高的无监督机器学习方法,近年来在信息检索、多文档自动文摘、智能搜索引擎、短文本信息处理等领域获得了广泛的应用。本文首先讨论了文本聚类（Textclustering）的应用,然后对文本聚类算法、聚类关键技术进行了综述。     

有先行者优势的确定性网络

提出了一个确定性网络模型.模型考虑了新生成节点有不同的强弱状态,用节点度刻画节点的强弱,即强节点的度比较大.通过解析计算,得到了网络的特征系数,其特点是幂律度分布、大集聚系数和幂律簇度相关性,即模型生成了一个无标度层次网络.认为网络是无标度的是由于其生成方式上的特点,越早生成的节点拥有的度越大,这与BA(Barabási-Albert)无标度网络生长方式相似.如果节点度代表了个体拥有的资源、能力及社会关系等,那么越早生成的节点度越大,恰好对应于占先策略,即先行者优势.     

基于灰色聚类的组合预测单项模型选择

建立组合预测模型关键是单项预测方法的筛选,本文将采用灰色聚类分析方法对单项预测模型组进行筛选.首先依据所研究的实际问题,建立多个单项预测模型,然后计算每一个单项预测方法的点拟合相对误差,最后再利用这些数据,借助灰色聚类方法实行对比评估,构建组合预测模型需求的各个单项模型,以增强该模型预测的准确性.应用实例的分析表明该方法是可行的和有效的.     

非监督特征学习方法在脑电身份识别中的应用

设计并实现了采用非监督特征学习方法对模拟阅读事件相关电位实验中多名受试者脑电信号的特征提取,并对提取的特征向量进行了模式分类.实验中共采集5名受试者脑电信号,每名受试者的特征样本集由其接受模拟阅读靶视觉刺激后100⁴00ms在通道PO3、O1、Oz、O2、PO4、P4、P8、CP6的脑电信号样本组成,各受试者样本集均含400个试次样本.非监督特征学习过程由含6个神经节的BP神经网络完成,后选用支持向量机作为分类器.对比了1试次,2试次、5试次、10试次样本叠加等几种不同情况下采用非监督特征学习方法提取特征的分类正确率.实验结果表明:采用多神经节人工神经网络对5名使用者5试次叠加信号样本提取的特征向量的分类正确率高于90%,显著优于对各单通道时域特征向量的分类正确率,该方法可为以脑电信号为特征的身份识别系统提供一种可行的特征提取方式.     

Lapel Pattern Recognition in Flat Sketches Based on Lapel Model

Taking lapels as examples,the purpose of this paper is to study the problem of recognizing the same clothing component in the flat sketches. Supposing that the four lines in a lapel are concurrent and symmetrical,a mathematical lapel model is built. Then,a novel method for lapel recognition in fashion flat sketches based on the lapel model is proposed. In the image preprocessing stage, the images need to be cropped for two times in order to remove the blank background and extract the region of interest,respectively. In the concurrent recognition stage,line detection,θ selection,and curve fitting are applied to limiting candidate lines. In the symmetrical recognition stage, k-means clustering algorithm is employed to divide the selected lines into four clusters. The threshold values of the difference of corresponding weighted θ are set as lapel recognition criteria. Experiments demonstrate that the recognition accuracy of the proposed method is obtained at about 91. 7%.     

基于K均值算法的数据聚类和图像分割研究

K均值算法利用K个聚类的均值作为聚类中心,通过对比样本到各聚类中心的距离,将样本划分到距离最近的聚类中,从而实现样本的聚类.分析了K均值算法的基本原理和实现步骤,并将其应用于数据聚类和图像分割,取得了较好的聚类效果.最后,针对K均值算法的不足之处,提出了改进措施,提高了K均值算法的聚类性能.     

基于均值密度中心估计的k-means聚类文本挖掘方法

文本挖掘作为数据挖掘的重要研究领域,是检索有用文本信息的重要手段。通过对K-means聚类挖掘方法的基本原理和实现步骤的分析,发现随机选择聚类中心迭代初值、奇异点问题是制约其发展的技术瓶颈,针对该方法的不足,提出了一种基于均值密度中心估计的K-means聚类文本挖掘方法,采用基于均值密度的聚类中心初值估算取代原有方法的随机选取模式,设计自适应的邻域形状选择机制,用均值密度配合阈值消除奇异点。实验结果表明,提出的方法提高了K-means聚类方法的文本挖掘性能,使得文本挖掘查准率得到很大的提高,不仅强于一般K-means均值聚类方法,且和新近流行的自组织神经网络聚类方法相比也具有一定的优势。     

紫外图像弱小目标检测与跟踪

工作在“日盲”波段的紫外信号探测,屏蔽了太阳紫外辐射这一最大背景噪声干扰源,可以有效地进行微弱紫外目标信号采集,但是仍然面临着目标/噪声难以区分、目标短暂丢失等问题.文中对微弱紫外目标的成像特性进行详细分析,根据紫外目标成像特征提出了一种紫外图像弱小目标检测跟踪方案.该方案首先采用基于连通域的聚类方法对紫外图像中的样本点进行聚类,标识出前景中的目标块和噪声块,然后利用真实目标的轨迹特性,结合卡尔曼滤波预测目标的运动参数,从而实现对目标的检测跟踪.仿真实验证明了该方案的可行性及有效性.