基于随机取样的选择性K-means聚类融合算法

由于缺少数据分布、参数和数据类别标记的先验信息,部分基聚类的正确性无法保证,进而影响聚类融合的性能;而且不同基聚类决策对于聚类融合的贡献程度不同,同等对待基聚类决策,将影响聚类融合结果的提升。为解决此问题,提出了基于随机取样的选择性K-means聚类融合算法(RS-KMCE)。该算法中的随机取样策略可以避免基聚类决策选取陷入局部极小,而且依据多样性和正确性定义的综合评价值,有利于算法快速收敛到较优的基聚类子集,提升融合性能。通过2个仿真数据库和4个UCI数据库的实验结果显示:RS-KMCE的聚类性能优于K-means算法、K-means融合算法(KMCE)以及基于Bagging的选择性K-means聚类融合(BA-KMCE)。

基于啃食模型视角的草场可持续利用政策评价研究

牲畜承包、草畜承包、退牧还草等政策影响下的草场情况都属于超载状态,虽然能通过灰色评价确定其草场状态矩阵,但很难通过比较这些数据得出哪种政策相对较好的结论,为此本文创造性的建立了牛羊对草场的"啃食模型"来解决这个问题,并以西藏普兰县巴嘎乡的雄巴村为例进行了实证,并得出结论 "牲畜承包制"导致的结果仅仅是局部草场状态退化,"草畜双承包制"导致的则是所研究区域绝大部分的退化,而中央出台的退牧还草、生态移民等政策从其执行效果来看,起到了遏制草场恶化的作用。