河北坝上弃耕地植被的演替特征及环境因子的影响

利用聚类与排序手段，由植被的空间序列推断其时间序列的方法对河北坝上弃耕地植被的演替进行了分析。结果表明：１）该研究区弃耕地植被共有６个群丛、３个亚群丛，植被严重退化。２）对于植被的数量分析，一般情况下只选用适宜的排序手段即可达到分类与排序之目的。３）影响弃耕地植被演替的因素多种多样，并非弃耕时间单一因素。４）弃耕地植被中植物种类数目变化具有明显的波动性。５）“初始植物种类组成”原理不适于本地区弃耕地植被的演替。０）弃耕地植被的改造利用宜在弃耕后２－６年内进行。

粒用高粱耐盐种质资源鉴选与评价

以50份高粱亲本材料为基础,采用聚类分析和主成分分析的方法,研究了不同材料高粱种子萌发、幼苗生长和抗盐性。通过相关分析、主成分分析和聚类分析,为高粱抗盐材料筛选和耐盐性研究提供理论依据,为高粱品种耐盐基因开发提供材料。实验结果表明,在150mmol·L^(-1)NaCl胁迫下,高粱亲本材料生长指标低于对照。不同品种降低幅度不同。相对发芽率的数值范围为0.27%~93.4%,相对发芽势数值范围为15.15%~97.4%,根长数值范围在0.3~4.5 cm,叶长数值范围为0.4~2.8cm;盐害系数数值范围0.026~0.794。发芽率与发芽势呈正相关,相关系数为0.98***。根据主成分分析,第一个主要成分是发芽成长因子;第二主成分是生长因子,第三主成分是耐盐因子。通过聚类分析,将30株高粱菌株分为5类:高耐盐,耐盐,中度耐盐,盐敏感性和高盐敏感性。其中3560R,10337B和10612属于盐敏感品系,09305R和67B属于高盐品系。本研究还表明,高粱发芽率,发芽势、芽长、根长、苗高、生长速度、枯萎病指数、发芽率盐害指数、发牙势盐害系数等9项指标可作为高粱耐性的重要指标。

加速器束流脉冲化及氢二次离子发射研究

详细介绍了快速高压晶体管开关在加速器束流脉冲化和用于二次离子测量的加速器飞行时间谱仪上的应用.利用飞行时间法研究了碳纳米管在不同能量的Si和Si2团簇离子轰击下氢二次离子的发射.实验结果表明,在每个原子质量单位的速度为2.5×108cm/s以上,Si和Si2离子引起的氢二次离子的发射主要受电子阻止过程控制;在每个原子质量单位的速度为2.5×108cm/s以下和Si2团簇离子轰击的情况下,氢二次离子的发射产额明显增加,团簇离子在靶表面的核能损增强效应起主要作用.

基于网络层次分析法的产业集群社会资本评价

社会资本作为产业集群的一种经济资源,对产业集群形成持续竞争优势有着重要的意义。文章从社会资本自身特征维度出发,分析了影响产业集群社会资本的主要因素,构建了产业集群社会资本评价的ANP模型;并进一步运用网络层次分析法(ANP),科学计算了集群社会资本各指标的权重,为指导产业集群的发展提供了决策依据。

全球价值链下中国地方产业集群升级的障碍分析

中国地方产业集群多嵌入领导型或等级制的全球价值链,处于空间等级体系的低端。全球价值链治理使得中国地方产业集群处于"俘获型"与"封闭型"的价值链中,其功能和链条升级,乃至集群的整体升级受到阻碍。中国的地方产业集群应该注重构建完善又开放的当地价值链,利用在内外两方面的资源,完成地方产业集群的整体升级。

基于内部空间特性的PSO聚类算法

聚类是数据挖掘的主要技术之一,是一种无导师监督的模式识别方式。聚类分析是按照数据间的相似程度,依据特定的准则将数据划分成不同子类。该文结合微粒群(PSO)算法,提出一种数字属性聚类算法,为避免PSO算法可能出现的早熟问题,引入混沌的思想,同时考虑到各个聚类的内部相似的特性,将空间特性引入到PSO算法中。仿真实验表明,该算法在解决数字属性聚类的问题上有着良好的性能。

半监督模式下社团结构划分方法

为了对有标签和无标签节点混合的网络进行分类,给出了一种基于半监督学习的信息传递分类算法,算法首先确定网络中无标签节点的分类参数,然后通过对网络中所有无标签节点进行有限次的迭代计算,可以对所有节点进行分类。实验数据分析证明了该算法在进行半监督分类时具有比较好的效果。

用聚类分析法进行毛乌素风蚀荒漠化强度分级──以乌审旗为例

荒漠化问题已成为世界的最大的环境问题之一，荒漠化的评价、监测、预测是防治土地荒漠化的基础，近年来在这方面人们正在探讨用新的方法做定量化研究，我们以乌审旗为例用聚类分析的方法进行土地风蚀荒漠化的强度分级研究，为荒漠化评价提供定量、系统处理方法，并为荒漠化的监测、预测提供依据，以求更好地为荒漠化防治服务。

基于单维分割的高维数据聚类算法HDCA-SDP

提出一种基于单维分割的高维数据聚类算法HDCA-SDP,该算法利用单维空间能划分数据的性质,对整个数据集进行逐维聚类,解决了传统聚类算法带来的维度困扰问题,对数据集大小和数据空间维数具有良好的可伸缩性,且聚类结果的精度比传统的高维聚类算法有较大的提高.实验结果表明,该算法在处理高维大规模数据时是有效的.