基于学习者画像和聚类技术的个性化教学模式推荐研究

现有个性化教学主要从理论及对策上进行探讨,鲜有从实践上给出具体解决方案。文章首先采用问卷调查方式获取师生个性化教学意愿,然后创新性引入学习者画像技术获取学生基本特征和需求,其次采用聚类技术将具有相同特征和偏好的学生聚集成不同学生群体,最后设计不同的教学模式推荐给不同教学群体,为实施个性化教学提供了一种重要技术手段。

基于网格聚类技术的离群点挖掘算法

针对离群点的挖掘,在现有的LOF算法的基础上,提出了一种基于网格聚类技术的离群点挖掘算法AOMGC。该算法将离群点挖掘分成两步挖掘过程。此外,该算法对其网格的划分加以改进,并能根据数据信息自动生成划分间隔,从而提高了数据挖掘的效率。实验结果表明AOMGC算法是可行的和有效的。

文献聚类技术及其评价函数

在阐明文献聚类的基本概念和重要作用的基础上 ,介绍了当前最流行的两种文献聚类方法 :层次聚类和划分聚类 ;论述了三种主要的文献聚类评价函数 :F -measure、平均查准率、熵 ;指出了文献聚类函数的优缺点。

用于语音动画合成的语音特征提取和聚类技术

在基于图像的人脸语音动画合成过程中,为了保证音频帧和视频帧的精确映射关系,需要提取鲁棒的语音信号特征参数,并对特征参数聚类。本文介绍了直接从原始语音信号中提取LPC复倒谱及短时能量组成特征矢量的方法,以及对特征矢量进行聚类的方法。

基于聚类技术的僵尸网络检测方案

现有僵尸网络检测方案需要先验知识以获取匹配模式,无法满足实时处理的要求。为此,从分析僵尸网络的特点出发,通过比较僵尸频道消息字符串的相似度,提出基于聚类技术的僵尸网络检测方案。实验结果表明,该方案能有效检测隐藏在正常网络数据流中的僵尸频道。

文档聚类技术在搜索引擎中的应用研究

随着互联网上信息数量的不断增长,传统的信息检索技术已经很难满足人们对查询质量的苛刻要求。为了方便用户从检索结果中快速、准确地定位自己想要的信息,集成了文档聚类功能的搜索引擎应运而生。本文讨论了文档聚类技术在搜索引擎中的应用问题,介绍了一些算法,重点分析了Vivisimo这个比较有代表性的聚类搜索引擎,并预测了搜索引擎聚类技术的发展趋势。

聚类技术优选法在铁路客运服务指标分析中的应用

不同聚类技术具有不同的原理和特征,需要对其进行比较优选。提出在铁路客运服务指标分析中,采用聚类效果测度系数方法,并将结果与基于列联表的公共信息方法相互印证,评价并优选聚类技术。实证分析表明,该评价方法简单易行,评价结果符合实际情况。

一种基于聚类技术的免疫推荐算法

在网络时代,如何通过为用户提供更加个性化的服务,提高其商品的吸引力,进而为企业带来更大的收益,成为了网站所面临的核心问题。通过对自然免疫学和人工免疫学理论的研究,着重讨论了将人工免疫网络技术应用于电子商务个性化推荐的思想,提出了使用形态空间模型对推荐技术及其存在问题的解释方法,并提出了聚类免疫推荐算法。实验结果表明:该算法能高效和准确地解决个性化推荐问题,具有很好的应用价值。

蚁群算法优化结点和聚类技术在复杂网络中发现社团的研究

根据聚类方法,通过计算结点间的相似度来发现社团结构,提出了一种基于蚁群算法识别相似结点的方法,以优化结点的计算性能。

基于模糊聚类技术的区域生态功能区划研究——以三峡库区万州为例

生态功能区划是区域生态适应性与差异性管理的基础.界定了生态功能区划的基本程序,建立了包括恒定和波动两类指标的区划指标体系,提出了以模糊聚类为主体的区划方法.以三峡库区万州为例,基于GIS平台,划分了一级、二级生态功能区,并提出具有针对性的生态调控对策,为区域生态系统管理提供依据.

基于预聚类技术的并行序贯模式挖掘算法

本文讨论了在并行序贯模式数据挖掘方面采用“预聚类并行序贯模式挖掘”的策略,对数据序列聚类后按不同的类分布到不同的并行节点上,以减少甚至消除不必要的通讯开销,以便能够提高并行序贯模式挖掘在集群式高性能计算机上的执行效率。

使用聚类技术提高Web访问效率

介绍了提高Web访问效率必要性、数据挖掘的概念、聚类技术的原理、及其实现的步骤。聚类分析技术是根据数据对象的属性信息或对象间的关系,将数据对象分成类簇(Cluster),同一簇中的对象有较高的相似度,不同簇中的对象彼此差别较大。利用聚类技术可以发现一同被访问的Web页面,并把它们编到一个组里,帮助用户更好地访问,提高Web访问效率。可以通过对服务器的访问日志进行数据挖掘,得出网站页面之间共同被访问的频度,使用数据矩阵寻找每个聚类,根据每个聚类创立索引页,通过索引页帮助用户访问,提高访问速度。

基于聚类技术的网络学习行为数据分析研究

在"互联网+"时代,网络学习已经成为学校教育教学的重要组成部分。文章选取某高职院校《计算机应用基础》网络课程为分析对象,运用聚类技术对高职院校学生在线学习行为进行数据分析,建立学生特征分类模型,为教师优化教学提供决策参考、为学生推送学习建议,以提高网络教学的效果。

移动终端位置信息聚类技术在公共安全领域的应用

移动通信、互联网及空间定位技术的成熟极大地促进了LBS（Location Based Services）的发展,也产生了越来越多的位置大数据。合理地使用时空数据挖掘技术可有效进行知识发现及价值提取,在追踪目标用户,维护公共安全等方面具有重要意义。本文以移动终端位置信息为研究对象,从推断目标用户敏感信息的角度出发,研究了基于时空数据挖掘的空间位置聚类方法,并总结了当前各类技术的不足,并指出了今后发展方向。

数据挖掘的聚类技术在证券客户分类中的应用

数据挖掘是数据库中的知识发现。伴随我们证券业务中存储数据量的不断增长,如何从海量般客户信息、历史交易记录数据中提取或挖掘知识,把隐藏其中的知识进行分析和发现,是促进业务更快发展的强大动力。

基于K-means聚类技术的博士招生质量研究

借助K-means聚类算法等数据挖掘技术,从我国博士研究生招生实际状况入手,从博士招生的结构质量、生源质量和选拔质量等角度分析研究生招生质量,提出科学合理的优化选拔方式、提升生源质量的博士生招生方案,对博士研究生招生单位具有良好的借鉴意义。

基于多级聚类技术的SMP模式分类与判别问题的研究

提出了一种基于历史样本的、采用多级聚类技术进行SMP模式分类与判别的组合方法，有效地解决了SMP预测过程中的自动模式分类与判别问题。

基于聚类技术的数据动态搜索方法

搜索在计算机上是多种操作的基本运算,其主要目的是从大量数据当中找出所想要的部分,而一般数据的存放,常设有键值(Key)以利搜索,例如在数据库中,要取得数据一定要配合许多键值的使用,方能有效而快速地存取。最原始的搜索方法循序法因为它的方法简单,所以在不考虑时间效率时,常在搜索小数据量时使用。但在面对大量数据时,就必须采用其他效率较高的算法。本文提出将聚类技术应用到数据动态搜索中,从而能更加准确、更加快速的搜索需要的数据。本文以文件路径的搜索作为例子,通过仿真实验验证了其有效性和可行性。

常用的聚类技术分析

聚类分析是数据挖掘的关键技术之一,聚类分析的典型应用包括物种的分类和分生物学的基因分类。同时在数据分析、模式识别、市场分析、流行病分析等领域也有较深入的应用。聚类分析中的典型数据结构分为数据矩阵和相异度矩阵两种。文章重点分析了典型的几类聚类算法,并指出了每一类算法的优缺点,最后对聚类分析技术的发展进行了展望。

聚类技术在图像检索中的应用

本文从聚类技术对提高图像检索效率方面的改善,介绍了聚类技术的基本理论和在图像检索系统应用。