基于改进的密度峰值算法的K-means算法

针对传统K-means算法存在的随机选取初始聚类中心和类簇数目需要人为选定,从而导致聚类结果不稳定,容易陷入局部最优解的问题,文章提出了一种基于改进的密度峰值算法（DPC）的K-means算法,该算法首先采用改进的DPC算法来选取初始聚类中心,弥补了K-means算法初始聚类中心随机选取导致易陷入局部最优解的缺陷;其次运用K-means算法进行迭代,并且引入熵值法计算距离优化聚类。在UCI数据集上的实验表明,该算法得到较好的初始聚类中心和较稳定的聚类结果,并且收敛速度也较快,证明了该算法的可行性。

改进的K-means融合微粒群优化的基因选择方法

为了解决基因选择困难问题,提出一种基于改进的K-means算法融合微粒群优化(IKPSO)的基因选择方法。该方法首先运用过滤法(Relief)对基因进行筛选,选择出对分类贡献大的基因构成备选基因子集;然后,利用改进的K-means算法将备选基因子集划分为一定数目的簇,并运用微粒群(PSO)对每一类簇进行搜索选择出相应类簇中的最优和次优基因构成最优特征基因子集;最后,训练支持向量机(SVM),并利用其分类的性能来评价获得的最优特征基因子集的质量。在两个典型的、公开的小样本的高维微阵列数据集上进行的实验,结果表明该IKPSO算法总体分类性能相对较好,并且与传统方法相比,IK-PSO分类性能得到显著的提高,证明了IK-PSO的可行性以及有效性。

不同民族精神病患者住院着装需求调查

目的探讨不同民族精神病患者住院着装需求。方法采用自拟问卷对60例(少数民族27例、汉族33例)封闭式管理的恢复期精神病患者进行住院着装需求的调查。结果少数民族、汉族患者认为应选择民族服装者分别占37.04%和33.33%;认为穿患服而产生心理不适者各占74.08%和48.48%,二者比较,差异无显著性意义(均P>0.05)。结论实施统一穿患服的措施对不同民族精神病患者均有一定的负面影响,应重视和满足患者个性的着装需求。