基于广义信息距离的直接聚类算法

提出了基于广义信息距离的直接聚类算法.基于信息理论给出了离散量的基本概念,讨论并证明了离散量的一个基本不等式,进而给出了离散增量的概念.在分析距离测度的基础上,提出了广义信息距离(GID)、改进的广义信息距离(IGID),建立了基于GID,IGID的直接聚类算法,并对土地肥力数据资料进行了聚类分析.结果表明,建立的算法与传统的聚类算法相比,算法原理简便、对数据本身的维数与分布要求不高,且具有较好的聚类效果.

一种Vague集上的直接聚类法

Vague集是Fuzzy集的扩展,在给出几种构造Vague集相似矩阵方法的基础上,将Fuzzy集上的编网法和最大树法引入到Vague集上,定义了Vague关系图,并给出了基于Vague集的直接聚类法:编网法和最大树法。最后使用文献[1]中的例子,分别采用Vague传递闭包法和Vague直接聚类法进行计算。实验结果表明,Vague直接聚类法计算简单,不会造成原始信息的失真,比Vague传递闭包法更加有效。

裂缝分析中直接聚类法和灰色关联度联合应用

将直接聚类法和灰色关联度结合起来,分析了岩滩大坝5#坝段裂缝监测资料,根据各测点裂缝测值的相互关系将裂缝测值分类,并用同一类中某测点的已知数据预报其他测点的数据。结果表明:预报效果较好,预报值和实测值的差值较小,而且预报值和实测值的变化趋势基本相同。

应用直接聚类法对中国各地区产业结构进行类型划分

本文采用 1997年国民经济统计年鉴的有关数值 ,在对数值进行结构化 ,标准化和各地区之间产业结构相似性计算后 ,利用直接聚类方法进行聚类分析。并对结果进行了一定意义上的分析。实践证明 ,用直接聚类法可以使用比较量化的指标对产业结构的区域同一性和相异性进行划分 。

模糊直接聚类搜索算法

当模糊相似矩阵的阶数较高时，模糊传递闭包聚类计算速度较慢，如果采用模糊直接聚类，而用相似类归并，程序设计时较复杂，故在模糊相似矩阵中采用搜索算法实现直接聚类，时间复杂度比传递闭包聚类法低。设计搜索算法时采用顺序查找法，利用for循环的多出口功能，还采用了标志量，等价类用散列存储结构，注意减少循环嵌套的层数。首先搜索置信水平为兄的等价类代表，然后搜索每个等价类除代表外的其它成员。本文用自然语言描述了算法，然后用C语言设计了算法，上机调式通过，分析了算法的时间复杂度，用实例进行了计算，结果正确。

一种直接聚类法的若干注记与一种新的直接聚类法

本文指出了以往的一些错误,同时给出了一个新定理,从而得到了严格的理论依据;构造了一种较新的直接聚类法。

Vague集的相似度量及其在聚类分析中的应用

在智能系统的研究与开发中,聚类分析是一个非常重要的问题。提出了一个基于未知度和核的Vague集间的相似度量公式。在考虑算法自主性和计算复杂性的基础之上,通过参考Fuzzy集中的相关聚类分析方法,给出了一种以Vague集的相似度量为评价准则的直接聚类算法。使用相似度量公式,分别采用Vague传递闭包法和Vague直接聚类法进行计算,实验结果表明,基于Vague相似度量的直接聚类法计算简单,不会造成原始信息的失真,而且对数据量的大小均无特别的要求,比Vague传递闭包法更加有效。

新疆玉米种植农业区划的模糊聚类

基于绝对值减数法对新疆玉米种植农业区进行了模糊聚类。为各种植区选择不同的播种期和不同的玉米品种提供了依据,从而达到优质高产的目的。

模糊聚类算法及应用

模糊聚类是采用模糊数学方法 ,依据客观事物间的特征、亲疏程度和相似性 ,通过建立模糊相似关系对客观事物进行分类的一门多元技术。其算法主要有传递闭包法、动态直接聚类法和最大树法等 ,其中动态直接聚类法计算量最少。在实际应用中必须经过数据预处理、特别是归一化等处理步骤 ,选取合适的模糊关系建立模糊相似矩阵 ,然后进行聚类和模式识别。通过典型数值算例和油水层识别结果表明 ,其应用效果良好。

模糊动态聚类算法在网络教育中的应用

针对当前大部分网站使用的是动态页面,分析日志比较困难的问题,给出了在动态网页环境下Web使用记录挖掘的数据采集方法;为了使计算简单、快捷,给出了一种Web用户和页面的直接模糊聚类算法,从而能够根据学生的访问规律对页面内容进行分类、总结和预测趋势,指导高校网站的建设,提高网络教育,具有很好的实用价值。

基于单点变异算法的单元分组问题的研究

针对单元制造中单元构建问题所涉及到的单元分组数问题,结合零件—设备关联矩阵的特点,提出一种划分单元数的新颖算法.以直接聚类算法(DCA)的计算结果为基础,根据4种不同的扩张路径形成决策序列.对决策序列进行单点变异,利用单元成组效率评价指标对决策序列进行评价.算例结果表明:对于复杂的初始关联矩阵,所提算法可以提高单元划分的成组效率,得到较满意的结果.

基于Vague集的不确定数据模型

不确定数据广泛的存在日常生活中,不确定数据挖掘是当前重要方向研究方向。研究者必须通过对象的可能世界实例,得到概率密度函数。当对象的可能世界实例缺失时,经典不确定数据的模型将束手无策。对Vague集进行扩展,提出一种新的面向不确定数据的Vague集模型,即U-Vague集模型。并定义了U-Vague集模型之间的距离。通过直接聚类算法对模型的有效性进行了验证。最后对不确定数据的研究做出了展望。