基于科学知识图谱的辽宁省区域研究热点分析

为揭示辽宁省的核心机构、研究热点问题和前沿学科领域，应用科学知识图谱分析探究2012 ～ 2016年辽宁省区域的研究热点和学科趋势。以Web of Science 数据库中2012 ～ 2016 年收录的10 725 篇辽宁省文献为原始数据，首先分析了年份发文量和高被引文献，其次采用CiteSpace 软件对机构合作、关键词共词和学科共现的科学知识图谱进行分析。研究分析证明，辽宁省的核心机构是中国医科大学，在工程学、化学和医学领域取得了丰硕的研究成果。     

基于数据场联合PRI变换与聚类的雷达信号分选

基于脉冲描述字进行雷达信号分选时,传统聚类算法需要预先人工设定聚类中心和聚类数目。针对该问题,提出一种基于数据场理论联合脉冲重复间隔(pulse repetition interval,PRI)变换与聚类的雷达信号分选新方法。首先,依据数据场理论,基于势值大小实现干扰点剔除,而后利用PRI变换算法进行PRI估计,依据PRI估计值将归一化脉冲描述字数据预分类,进而以各类数据集中心间的欧氏距离小于辐射因子为准则进行类别合并,自动得到初始聚类中心和聚类数目,最后通过改进K-Means算法完成聚类分选。仿真实验表明:所提方法能够应对存在频率捷变,重频参差、抖动、参数交叠、局部脉冲丢失的复杂信号环境,分选正确率明显提升。     

基于三维点云的岩体结构面自动分类与参数计算

结构面间距是岩体稳定性和力学特性分析中的一个重要参数，在岩石力学、采矿工程、边坡监测等领域的数值计算中广泛应用.本文以岩体边坡露头为研究对象，基于非接触测量获得的三维点云数据，提出一种基于密度聚类的结构面细化分类方法；在结构面粗略分组提取的基础上，通过投影变换、散乱点拟合等算法，求得结构面间距和岩体体积节理数.设计开发了结构面细化分类及间距等参数计算与分析原型系统，实际案例分析表明，本文方法可有效实现结构面的自动细化分类，并能够计算出间距等相关参数，可为岩体质量分级和岩体稳定性分析等提供方法支撑.     

多幅图像显示时色彩压缩的聚类统计算法

在计算机上，同屏显示多幅彩色图像会出现明显的失真（即色彩损失）．特别是两幅图像色调差别较大时（如一幅暖色调，一幅冷色调），失真现象更为严重．为了克服这一缺陷．本文在参考Ｋ均值聚类算法的基础上，优化了初始聚类中心，提出了色彩压缩的聚类统计算法．本算法简单实现较为方便，克服了Ｋ均值算法对色彩压缩不均衡及彩色失真度大的缺点．且不需经过多次迭代即可得到令人满意的效果，压缩时间短．     

系统聚类分析在农村消费水平划分中的应用

中国的经济发展主要存在着“东部”与“西部”的差距，文章利用聚类分析对我国部分省、市、自治区共28个样本进行分类，并加以分析．     

基于图像分割应用于临床上检测HP的一种快速算法

研究了利用图像分割技术,去辨别染色后的胃部切片是否有HP(Helicobacter Pylori幽门螺旋菌),并给出了一种二维直方图与FCM(Fuzzy Clustering模糊聚类)相混合的图像分割方法.运用色彩特征抽取技术,可以更加精确和快捷地识别HP.     

系统功能语法与语篇分析

本文首先讨论了系统功能语法语篇分析的基本理论,包括语言的三大纯理功能及其各自实现的子系统、语篇分析的两个层次以及"语境→语篇→评价("联系语境变量)的分析步骤,并用该模式分析了一个完整的语篇。分析表明用系统功能语法框架对语篇进行分析可以揭示语篇深层含义,可以解释语篇的语义和文体特点。     

决策树在文本分类中的应用

介绍了文本分类的思想,探讨了通过决策树学习来对文本进行有效分类的过程。     

PP K-MEAN CLUSTERING

In this paper, we propose a dimension-reducing, K-mean clustering procedureby Projection Pursuit (PP) technique so as to explore the clustering structure of data inhigh-dimensional space in terms of low-dimensional projective points of data, and we obtainthe a.s. consistence of the estimates of the cluster centers and projection orientations.     

煤与瓦斯突出预报的模糊聚类关联分析法

首先采用模糊聚类分析对煤与瓦斯突出的样本集合进行分类，建立不同突出程度的模糊模式。然后用关联分析确定待预报样本与模式的关联程度，以此预测预报样本的煤与瓦斯突出危险程度。这种预报方法相对于模糊聚类分类后，将模式与待预报样本组成新的样本集合，再进行聚类分析，以此分类结果进行预报法。不仅可靠程度高，而且能定量描述待报样本与模式的亲和程度。