一种改进的k-means初始聚类中心选取算法

在传统的k-means聚类算法中,聚类结果会随着初始聚类中心点的不同而波动,针对这个缺点,提出一种优化初始聚类中心的算法。该算法通过计算每个数据对象的密度参数,然后选取k个处于高密度分布的点作为初始聚类中心。实验表明,在聚类类别数给定的情况下,通过用标准的UCI数据库进行实验比较,发现采用改进后方法选取的初始类中心的k-means算法比随机选取初始聚类中心算法有相对较高的准确率和稳定性。     

基于SSH轻量级架构的干部在线学习系统的设计与实现

为满足干部学员的在线学习需求,设计实现了一种基于SSH轻量级架构的干部在线学习系统,对系统进行了需求分析,提出了系统的设计原则和目标,分析了系统的网络架构和软件体系结构,对系统关键功能模块进行了研究,给出了系统部署和运行结果。学员可以使用Internet登录系统,浏览资讯,查询资料,学习课件和在线考试等。该系统的设计与实现为干部在线学习提供了一种新的解决方案,具有一定的实用和参考价值。     

一种新的K—means最佳聚类数确定方法

在传统的K-means算法中,聚类数K是随机给定的,K值选取不合理会造成K—meall$算法陷入局部最优。针对这个缺点,提出一种新的K—means聚类数确定方法,根据聚类算法中类内相似度最大差异度最小和类问差异度最大相似度最小的基本原则．提出距离评价函数作为最佳聚类数的检验函数,建立相应的数学模型,并通过实例结果进一步验证新算法的有效性。     

基于Android平台的干部移动学习系统的设计与实现

为满足学员干部的移动学习需求,设计实现一个基于Android平台的干部移动学习系统,分析系统总体架构,提出系统操作流程,对系统关键功能模块进行研究,给出系统测试和运行结果。学员可以使用Android系统的手机和平板电脑等移动终端登录系统、查询资料、学习课件和在线考试等。该系统的设计与实现为干部移动学习提供一种新的途径。具有一定的实用和参考价值。     

基于密度的K-means初始聚类中心选取算法

传统K-means算法的初始聚类中心从数据集中随机抽取,聚类结果会随着初始聚类中心的不同而产生波动。针对这一问题,提出一种基于密度的优化初始聚类中心选取算法,通过计算每个数据对象的密度参数和邻域距离,选取k个处于高密度分布的点作为初始聚类中心。在聚类类别数给定的情况下,使用标准的UCI数据库进行对比实验,发现改进后的算法较传统算法有相对较高的准确率和稳定性。     

基于mvc架构的普法考试系统设计与实现

传统普法考试采用纸质考试的形式,程序复杂,效率低。为解决这些问题,设计实现了一套无纸化普法考试系统,该系统利用计算机和网络进行在线考试,提供帐户管理、题库管理、智能抽卷、考试管理、统计分析等功能,新系统的应用节约了资源,规范了管理,提高了普法工作效率,满足了信息时代普法工作的要求。