Kebner现象研究进展

Kebner现象(KP)也称同形反应,最早是指银屑病患者正常皮肤受到创伤后出现的红斑鳞屑皮损表现,后来观察到其他疾病也可出现类似现象。本文总结了KP的分类、激发原因、发生机制及临床表现和应用等方面的研究进展。

一种基于K邻域平均法的小波图像恢复算法

小波图像压缩及图像消噪算法近年来得到了广泛的重视和发展,其处理的核心部分就是图像的边缘,各种算法都会产生图像边缘的锯齿状震荡,即Gibbs现象。针对小波图像压缩中的振荡现象,首先应用Kirsch算子检测图像边缘,然后利用区域内像素灰度的相关性及小波系数的相关性,提出一种基于小波变换的K邻域平均法,最后通过仿真及信噪比的比较说明了此算法的有效性和可行性。

基于Hubness与类加权的k最近邻分类算法

针对高维不平衡数据中维数灾难和类不平衡分布问题,提出一种改进k最近邻(kNN)分类算法HWNN。将样本的k发生分布作为其在预测时对各个类的支持度,以此减少高维数据中hubs对kNN分类带来的潜在负面影响。通过类加权的方式增加少数类在所有样本k发生中的分布比例,以提升对少数类样本的预测精度。在16个不平衡UCI数据集上的实验结果表明,该算法在高维不平衡数据中的分类结果优于典型kNN方法,且在普通维度的不平衡数据中优势同样明显。

Monel K-500合金加热性能测试

针对目前国内Monel K-500合金热加工生产中存在的问题,采用不同的加热速度对其加热性能进行了试验测试研究。研究结果表明,采用相对较快的加热速度时,铸坯表面并未出现明显的过烧现象,而且总的加热时间较短,因此对Monel K-500合金铸坯采用较快的加热速度,可以有效提高生产效率。

微博用户关系网络的结构研究与聚类分析

将个人微博用户关系网络作为研究对象,抓取了一个用户从开始注册到一定稳定期3个时间点的数据,构建了3个复杂网络,研究了该微博用户关系网络的结构属性变化,得出用户行为和影响力的变化。使用K-means聚类算法对微博用户关系网络进行了聚类分析,从使用目的角度将微博用户分为3种类型——普通社交型、个人兴趣型和信息散播型。微博服务商可以通过算法优化,根据详细的聚类结果更有针对性地进行页面和应用程序推荐,创造商业价值。

面向用户的电商平台刷单行为智能检测方法

电商平台的刷单行为在一定程度上提高了店铺收益,但是刷单行为一方面抬高了电商平台的推广成本,导致了严重的信誉安全问题;另一方面,虚假的刷单信息致使消费者易受误导,从而造成财产损失。针对电商平台刷单现象,提出面向用户的电商平台刷单行为智能检测方法——SVM-NB算法,并提出构建刷单特征值方法。首先收集商品的相关数据,建立特征值数据库;其次利用基于有监督学习的支持向量机(SVM)算法建立分类器,求解刷单行为的判断结果;最后通过朴素贝叶斯公式计算商品刷单行为的概率,反馈给买家,为其提供购物的参考数据。通过K折交叉验证算法验证了SVM-NB算法应用的合理性和准确性,实验条件下计算结果的准确率高达95.053 6%。

基于频繁模式的长尾文本聚类算法

短文本聚类一直是信息提取领域的热门话题,大规模的短文本数据中存在"长尾现象",传统算法对其聚类时会面临特征纬度高,小类别信息丢失的问题,针对对上述问题的研究,本文提出一种频繁项协同剪枝迭代聚类算法(Frequent Itemsets collaborative Pruning iteration Clustering framework, FIPC).该算法将迭代聚类框架与K中心点算法相结合,运用协同剪枝策略,实现对小类别文本聚类,实验结果证明该聚类算法能够有效的提高小类别短文本信息聚类的精确度,并能避免聚类中类簇重叠的问题.

现代汉语方言中的“见系声母腭化现象”

"见系声母腭化现象"指中古见系字在今普通话中未腭化读[k]组拼洪音的,在现代汉语方言中腭化读[t]组拼细音或[t]组的现象。现代汉语方言中,徽语的腭化现象保存比较完整,湘语吴语赣语次之,客家话晋语官话极少。腭化音在上述方言中属于白读层,由曾经存在过的[k]组拼细音演变而来。

一种基于枢纽现象和加权离群分数的离群数据挖掘算法

针对高维数据集中出现的枢纽现象,本文给出了一种基于枢纽现象和加权离群分数的离群数据挖掘算法.该算法首先根据逆k近邻中出现的枢纽现象,以及与离群数据的关系,利用k近邻中的距离信息作为权值,对逆k近邻的离群分数进行加权;其次随机生成区分度阈值,根据该阈值判断区分度比例满意值,并根据满意值计算数据对象的离群程度,选取离群程度最大的若干数据对象作为离群数据;最后采用人工数据集和UCI标准数据集,实验验证了该算法的有效性.

一种面向枢纽现象的离群数据检测算法

在高维数据中,逆k近邻查询会导致出现枢纽现象,这严重影响了基于逆k近邻离群检测算法的性能.为解决这一问题,提出了一种面向枢纽现象的双向近邻离群检测算法.该算法首先引入并重新定义了对象的影响空间,在影响空间中,同时兼顾了对象的k近邻和逆近邻的影响作用,有效提高了算法的准确性;其次,引入了启发式信息,不仅考虑对象的离群程度同时还考虑其k近邻的离群情况,显著降低了k的取值,从而减少了算法的计算量和运行时间;最后,采用真实数据集,实验验证了本文算法同传统的基于枢纽现象的离群挖掘算法相比具有更高的效率和准确性.

基于Hubness现象的高维数据混合聚类算法

高维数据聚类是聚类分析中的难点。K-hubs聚类算法是在K-means方法基础上,结合高维数据空间的Hubness现象对数据进行聚类。针对K-hubs聚类算法需要随机确定初始聚类中心,不适用于非超球状簇等问题,本文提出了基于多阶段层次聚类和划分聚类的高维数据混合聚类算法。该算法将数据点按其Hub值分为Hub点,Midhub点和Antihub点三类,然后对Hub点和Midhub点分别采用层次聚类,接着进一步采用层次聚类合并簇,最后,对Antihub点利用划分聚类合并到最近的簇。在UCI数据集上的实验结果表明,与其它最新的聚类算法相比,本文提出的算法在高维数据集上得到了较好的聚类结果。