一种改进的Fuzzy c—means聚类算法

该文提出了一种改进的ｆｕｚｚｙ ｃ－ｍｅａｎｓ算法（ＭＦＣＭ）。此算法是将传统算法（ＦＣＭ）直接对样本集聚类变为对特征集聚类，从而极大提高了ｆｕｚｚｙ ｃ－ｍｅａｎｓ的速度，证明了ＭＣＭ与ＦＭＣ在分类效果上的等价性，且ＭＦＣＭ较ＦＣＭ有较低的时间复杂性，讨论了ＭＦＣＭ与ＦＭＣ空间复杂性的关系。最后数值实验证实了结论。     

过程控制计算机中文监控软件的设计与实现

提出了一种适用于石油、化工、冶金和电力等实际工业过程参数的监视与控制的计算机中文监控软件，并对其系统组成、功能的实现和关键技术等问题进行了阐述．     

"名1+(标记)+名2"定中结构类型学研究——汉语VS英语、日语等

人类语言“名 (标记) 名”和谐语序与语言类型的对应关系是SOV型———修饰语 中心语、SVO型———中心语 修饰语。文章从语言类型学角度探讨“名1 (标记) 名2”定中结构(主要是领属类)与其它语系的语言在语序上的共性与个性,并对名1与名2的位置作出功能上的解释。     

浅谈汉语陪伴型名量词的起源

对从甲骨卜辞以来的文献资料加以考察可以看出,汉语陪伴名量词在“S.VP1.O.VP2”的句法结构的VP2位置上形成。推动其形成的原因在于,汉语音节变化导致谓语位置的单音节数词不能再形成一个自然音步而必须后附一个语义表达上并不起作用的词。     

"所"字研究述评

“所”是一个由来久远、语言学界多有争议的文言虚词。本文从“所”的本义、“所”的用法源流、“所”的词性、专书“所”的研究、“所”与相关虚词的比较研究、“所”字研究的新途径等六个方面,对语言学界有关“所”字研究的成果,作了客观简要的历史性回顾和评述。     

空间数据挖掘技术

空间数据挖掘是数据挖掘的一个分支,在地理信息系统、遥感、导航、环境研究以及许多使用空间数据的领域中有着广泛的应用。阐述空间数据挖掘的定义、特点、体系结构与一般过程,介绍空间数据挖掘的方法和知识表达方法,指出空间数据挖掘的主要研究方向,提出开发空间数据挖掘系统的几点思考。     

基于智能聚类的内容分类方法与应用

直接依靠人的理解判断对内容进行分类,需花费大量的时间与精力,为了解决文本内容的自动聚类问题,该文在信息系统理论与自组织神经网络理论的指导下,利用智能技术得出了内容的分类结构。提出了基于智能聚类的内容分类方法,利用自组织神经网络的学习算法进行内容的聚类,并根据所提出的方法设计了基于智能聚类的内容分类示范系统,进行了应用研究,验证了该方法的有效性。     

*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。     

Combined Density-based and Constraint-based Algorithm for Clustering

We propose a new clustering algorithm that assists the researchers to quickly and accurately analyze data. We call this algorithm Combined Density-based and Constraint-based Algorithm （CDC）. CDC consists of two phases. In the first phase, CDC employs the idea of density-based clustering algorithm to split the original data into a number of fragmented clusters. At the same time, CDC cuts off the noises and outliers. In the second phase, CDC employs the concept of K-means clustering algorithm to select a greater cluster to be the center. Then, the greater cluster merges some smaller clusters which satisfy some constraint rules.Due to the merged clusters around the center cluster, the clustering results show high accu racy. Moreover, CDC reduces the calculations and speeds up the clustering process. In this paper, the accuracy of CDC is evaluated and compared with those of K-means, hierarchical clustering, and the genetic clustering algorithm （GCA）proposed in 2004. Experimental results show that CDC has better performance.     

一种基于改进径向基神经网络的人脸图像识别方法

常用于径向基神经网络中心参数学习的K-均值聚类算法,易受初始参数选取的影响而收敛于局部极小值.将自动终止聚类判据的减聚类算法用于径向基网络的学习,可根据样本集确定径向基函数数目,且其计算量与数据点的数目与考虑问题的维数无关,很适合于人脸这种维数较高的模式.实验证明,应用这种算法训练径向基神经网络识别人脸,从识别精度到识别速度上都优于传统算法.