一种基于信息增益及遗传算法的特征选择算法

特征选择是模式识别及数据挖掘等领域的重要问题之一。针对高维数据对象，特征选择一方面可以提高分类精度和效率，另一方面可以找出富含信息的特征子集。针对此问题，本文提出一种综合了filter模型及wrapper模型的特征选择方法，首先基于特征之间的信息增益进行特征分组及筛选，然后针对经过筛选而精简的特征子集采用遗传算法进行随机搜索，并采用感知器模型的分类错误率作为评价指标。实验结果表明，该算法可有效地找出具有较好的线性可分离性的特征子集，从而实现降维并提高分类精度。     

一种用于文本聚类的改进的K均值算法

K均值算法是聚类分析中使用最为广泛的算法之一.针对文本聚类所面临的维数灾难,稀疏向量以及标准K均值算法初始中心点选择的随机性等问题,提出了一种面向文本聚类的改进的K均值算法,通过运用特征选择及降维、稀疏向量筛除、基于密度及散布的初始中心点搜索等方法进行改进.实验结果表明,改进后的算法无论在聚类精度还是在稳定性等方面,都明显优于标准的K均值算法.     

基于相关性分析及遗传算法的高维数据特征选择

特征选择是模式识别及数据挖掘等领域的重要问题之一。针对高维数据对象，特征选择一方面可以提高分类精度和效率，另一方面可以找出富含信息的特征子集。针对此问题，提出了一种综合了filter模型及wrapper模型的特征选择方法，首先基于特征与类别标签的相关性分析进行特征筛选，只保留与类别标签具有较强相关性的特征，然后针对经过筛选而精简的特征子集采用遗传算法进行随机搜索，并采用感知器模型的分类错误率作为评价指标。实验结果表明,该算法可有效地找出具有较好的线性可分离性的特征子集，从而实现降维并提高分类精度。     

一种改进的基于特征赋权的K均值聚类算法

聚类分析是数据挖掘及机器学习领域内的重点问题之一。近年来，为了提高聚类质量，借鉴和引入了分类领域特征选择及特征赋权思想，提出了一些基于特征赋权的聚类算法。在这些研究基础上，本文提出了一种基于密度的初始中心点选择算法，并借鉴文[1]所提出的特征赋权方法，给出了一种改进的基于特征赋权的K均值算法。实验表明该算法能较为稳定地得到较高质量的聚类结果。     

基于边界点的可分离性度量及特征选择

提出了一种新的面向高维数据的特征选择方法，在特征子集搜索上采用遗传算法进行随机搜索，在特征子集评价上采用基于边界点的可分性度量作为评价指标及适应度。实验结果表明，该算法可有效地找出具有较好的可分离性的特征子集，从而实现降维并提高分类 精度。     

高校体育俱乐部运作与管理的中美比较——以浙江师范大学和西密歇根大学为例

为了探索高校体育俱乐部的持续发展模式，更好地激发学生参与体育运动的兴趣和热情，本文采用实地调研和专家访谈法，从不同文化视域下比较中美高校体育俱乐部运作与管理。研究表明，两国在高校体育俱乐部运作与管理模式的不同受高校对体育俱乐部性质的认识的不同影响；学校管理部门和管理制度的不同因素影响；尽管两国在体育俱乐部类型特征上没有较大的差异，但是学生的文化内涵和目标定位的共同作用下使得两国学生参与俱乐部活动的行为表现出较大的不同。