基于聚类分析的大学生体质异常数据提取方法

针对大学生体质异常数据提取内存开销大、覆盖率低等问题,提出基于聚类分析的大学生体质异常数据提取方法。通过Relief算法调整数据特征距离,筛选出异常数据的相关特征,采用K-means算法聚类分析异常数据,将单条信息汇集为一类信息,改进K-means算法的K值选取,实现大学生异常数据精准提取。经验证,该方法具有较高的覆盖率,拥有较小的内存开销与时间开销,能够有效降低异常数据提取过程中内存与时间消耗。

机器学习在地震观测异常数据提取中的应用

本文参考了近年来国内外对于地震观测和地震异常数据提取的相关文献,对当前地震观测和地震异常数据提取领域涉及的方法和技术进行概述。首先按照应变观测、电离层观测、流体观测、电磁观测和其他观测方法对不同的地震观测方法和结论进行叙述;接下来对机器学习在地震异常数据提取的应用场景进行分析,对目前使用较多的机器学习方法进行分析和概述;最后,对地震观测和地震异常数据提取方法进行总结,对地震预测的发展趋势进行展望。

基于新型数据分析软件的极区中层强雷达回波研究

该文利用极区中层异常回波及云粒子数据提取分析软件(PMEC_DEAS)处理雷达回波及云粒子数据集,并进行回波特性研究。以通过PMEC_DEAS分析的短期和长期极地中层夏季回波(polar mesosphere summer echoes,PMSE)和极地中层云(polar mesospheric clouds,PMC)数据为例,研究了PMSE出现率与PMC之间的相关性。研究发现短期的PMSE出现率和PMC之间的相关性不显著,长期的双层PMSE出现率与PMC之间呈正相关关系。这表明双层PMSE与PMC密切相关,这与现有的结论一致。以此可以看出,PMEC_DEAS可以有效地适应所研究事件的复杂特征变化,并具有良好的鲁棒性。此外,利用PMEC_DEAS软件分析所得的数据具有更好的稳定性和兼容性,与目前的主流数据分析软件相比更具便捷性和实用性。