基于数据分段的K-means的优化研究

K-means聚类算法是一种主流的迭代下降聚类算法,收敛于局部最优化状态.由于K-means随机选取k个初始聚类中心,使得聚类结果的有效性随初始输入而波动,为此文中采取一种预处理的方式来选取初始聚类中心.首先在某种范数的意义下,确定相隔最远的两个数据点之间的距离,然后采用数据分段的方法,将数据集分成k段,在每段中选取一个中心,以此来减小聚类结果随初始输入的波动.实验显示优化后的K-means有效地消除了初始输入的影响,并显著地减少了算法迭代次数和聚类误差.     

罗布麻茶黄酮的分离富集及其抗氧化、抗疲劳活性

选用不同柱色谱材料,对罗布麻茶黄酮进行分离富集,并对其体外抗氧化活性及体内抗疲劳作用进行评价。结果表明,聚酰胺树脂对罗布麻茶黄酮的富集效果最好,吸附率达65.08%,解吸率达41.27%;体外抗氧化实验结果表明,罗布麻茶黄酮对ABTS+·、DPPH·、·OH自由基清除能力较强,当浓度为0.20 mg/mL时,其对DPPH·清除率达98.5%±0.18%,优于同浓度下阳性对照组V_C,具有良好的抗氧化能力;体内抗疲劳试验结果显示,罗布麻茶黄酮能有效延长小鼠的力竭游泳时间,提高小鼠肝糖原储备量,降低血清尿素氮含量,增强体内抗氧化酶系活力等,表现出良好的抗疲劳作用。