基于网络学习行为聚类分析的在线课堂优化策略研究

利用聚类分析法对网络学习行为分类，从而挖掘不同类型学习者在学习行为和学习效果间的差异。以大学计算机公共课《数据库技术及应用》为例，综合学习者学习行为类别差异、在线课程内容组织以及课程特点等要素为在线课堂进一步发展提供优化策略。     

半监督语义动态文本聚类算法

针对传统的动态文本聚类将描述方式不同的同类文本划分到不同组中;以及聚类类别个数与真实类别数之间差距明显等问题,该文提出了一种半监督语义动态文本聚类算法（SDCS）。该算法以语义表征文本的方式来捕获文本间的语义关系,在聚类过程中动态学习类别语义,让文本能根据语义准确聚类。同时该算法利用半监督聚类的方法对新类的产生进行监督,学习符合实际情况的聚类结果。实验结果表明该文提出的算法是有效可行的。     

基于兴趣度关联规则的在线学习行为分析方法

针对如何使用数据挖掘技术分析指导用户改善学习行为的问题,提出了一种基于兴趣度关联规则的学习行为分析方法.首先,采用K-means聚类方法快速归纳出用户的学习状态; 其次,通过含兴趣度的关联规则算法获得学习行为与学习效果之间的强规则; 最后,以edX平台提供的用户学习数据为例对算法进行了验证.结果表明:含兴趣度指标的算法所获得的强规则数目比传统关联规则算法缩减了40.9%,同时该方法能够得出学习行为因素与学习效果之间的具体关系,有利于指导用户改善学习行为.     

一种基于改进PSO和FCM的图像分割算法

在模糊C-均值聚类算法的基础上,提出了基于改进粒子群和模糊C-均值聚类的混合图像分割算法.该算法利用改进粒子群算法优化模糊C-均值的目标函数,同时引入聚类有效性指标,通过迭代更新搜索到合理的分割类别数和聚类中心实现自动确定图像分割最佳类别数,并根据最佳类别数确定最优聚类中心的选取,最终实现图像的自适应分割.实验结果表明...     

使用蚁群优化和凝聚层次的混合聚类

为了获得全局最优的高质量层次聚类结果,针对智能蚁群优化算法改进凝聚层次聚类算法,以获得高质量的层次聚类结果,提出一种新的基于蚁群优化和凝聚层次聚类的混合聚类方法.该方法使用改进的凝聚层次聚类算法和新的目标函数生成聚类的系统树图,利用内部指标评估解决方案,用智能蚁群优化算法支持的信息素反馈和信息素挥发机制控制蚁群在解决方案空间中的搜索.由于使用了元启发式优化,加快了搜索过程,避免了局部最优.在加州大学欧文分校多个数据集上的实验结果表明,新方法具备一定的可行性.     

基于层次聚类和人工免疫的无监督结构故障分类算法

目的利用层次聚类与人工免疫模式识别相结合的方法解决无监督结构健康监测中对结构故障识别和分类的问题.方法通过凝聚型层次聚类实现样本数据的分类,通过模仿生物免疫识别和学习机理来训练记忆细胞集合,进而实现对结构故障的识别与分类.结果在benchmark结构模型上的仿真实验测试结果表明在抗原样本数据中采用凝聚型层次聚类和方法能够成功地确定抗原样本数据的模式数目,继而采用人工免疫模式识别算法对实测数据进行模式识别与分类,分类成功率为81%.结论基于层次聚类和人工免疫的无监督结构故障检测与分类算法通过免疫学习和进化产生高质量的记忆细胞,从而有效地识别结构故障模式.     

互连性层次聚类法在交易数据聚类分析中的应用

提出一种使用互连性度量聚类间相似度的层次聚类算法 ,并对算法中较为耗时的两步进行了修改 ,在不牺牲质量的前提下 ,提高了算法的运行速度 .通过分析交易数据的实际聚类 ,可得到合理的市场分段 ,预测顾客购买行为 .实验结果表明 ,该方法具有良好的挖掘效果 .     

基于Python的聚类分析及其应用

在研究聚类基本原理及相应算法的基础上,着重分析了层次聚类算法和k-means分割聚类算法,并比较了这两种算法的特点.结合Python语言的特点,编写程序实现了k-means聚类算法在博客数据集上的聚类应用,给出了详细的聚类实验结果分析.     

基于视觉和语义融合特征的阶段式图像聚类

针对互联网图像的特点,研究了图像聚类中的图像特征提取和聚类算法,定义了一个基于规则的线性特征融合函数,引入了自适应的参数选择机制对聚类粒度进行调整,提出了一个基于视觉和语义融合特征的阶段式聚类方法.新方法结合了不同层次的图像特征,利用现有多种聚类算法的优点对图像进行聚类,同时通过关键词权值计算,为每类赋予主题关键词,并将关键词重叠率高的类进行合并.基于均方差和用户评估的实验结果表明,新的聚类方法较传统的聚类方法具有更好的聚类效果.     

基于蚁群聚类算法的SVM半监督式训练方法

传统支持向量机在处理包含大量未知类别样本的训练集时性能较差。针对这一不足,在少量已知类别样本和大量未知类别样本构成的训练集上,提出一种基于蚁群聚类算法的支持向量机半监督式学习方法。该方法应用蚁群聚类算法进行聚类分析,实现了同类样本的自组织聚类;通过一个递归的类别判定算法,回收样本类别;同时,提取各类簇之间靠得相对较近的边界样本组成精简训练集,以缩减训练集规模加快学习速度。实验表明,该算法能够自适应样本类别分布,有较高的分类精度和泛化能力。     

一种新的用于三维检索的快速邻域搜索方法

在传统的层次聚类算法上,对孤立聚类进行特殊处理,并在此基础上提出了与传统内容检索方法不同的三维模型索引检索技术.首先提取三维模型的深度图像特征并将特征值存入数据库;其次利用改进的层次聚类算法对特征值进行聚类并计算聚类中心值;之后计算每个三维模型内容特征与其所在聚类中心的距离并保存到数据库中,查询时计算待查询模型特征与各个聚类中心的距离并排序;最后在每个聚类里面进行检索,与聚类中心的距离位于待检索模型与该聚类中心距离的邻域就是查询结果.在该方法中,将每个模型特征与其所在聚类中心的距离作为其索引.实验结果表明,该方法在保证检索质量的基础上大大提高了检索速度.     

基于多特征信息融合的目标轨迹聚类方法

提出了一种基于多特征信息融合的运动目标轨迹聚类方法.针对视频监控目标的特点,引入轨迹均值、距离方向、运动方向和平均速度4个特征空间来描述目标的运动轨迹.首先,采用Mean-Shift算法对每个特征空间进行聚类,得到基本的运动类别信息;其次,设计多特征融合算法,通过计算不同特征空间的类别间关系,进行类别信息融合;最后,得到融合了多个特征空间信息的聚类结果.由于信息融合是在聚类层面进行的,能够有效避免在特征空间层面融合时的维数统一问题.试验结果表明了本方法的有效性.     

一种基于聚类的Markov预测模型

提出一种新的用户浏览模式的聚类算法,该算法应用马尔可夫链理论,通过对web访问日志的处理,实现了根据用户浏览序列对时间的分类,以便个性化推荐和指导不同类别的用户以不同时间段进行学习。     

边介数聚类算法在肿瘤基因表达谱中的应用

基于肿瘤基因表达谱研究了肿瘤相关基因及其功能模块的聚类算法,同时利用模块度评价了算法的有效性.通过与层次聚类算法的比较,证明边介数聚类算法在肿瘤基因功能模块聚类方面具有一定的有效性和实用性.以人结肠癌基因表达谱为研究对象,应用边介数聚类算法将158个从2万多个原始数据中提取的特征基因聚成7种功能类.通过GO数据库检索进一步证明这7类基因具有明确的生物学功能和意义.     

一种改进的K-means算法

通过分析传统K-means算法难以确定聚类中心数目的问题,提出了一种改进的K-means聚类算法(CS-kmeans).该算法分析当聚类效果较好时最大类内距离与最小类间距离之间的关系,使用类内距离小于最小类间距离以及类间距离大于最大类内距离实现对类别数的自动分割与合并,从而确定适当的聚类数目.实验结果表示,文中改进后的算法相比传统K-means算法和其他改进算法,对于确定聚类中心数目、提高聚类质量是更为有效的.     

基于数据挖掘的学习者身份异常检测

行为模式通常反映了人们的行为习惯和特征.该文针对在线学习系统,利用数据挖掘中的分类算法和关联规则算法,对学习者留下的行为项,进行模式挖掘.并提出了一种分类预测与关联检测相结合的身份验证方法,能有效鉴定学习者身份的真实性,最后给出相应的实验结果及分析.     

用于不同密度聚类的多阶段等密度线算法

多阶段等密度线算法是在基于网格的等密度线聚类算法的基础之上 ,采用多阶段的聚类方式来解决分布密度变化较大的数据集的聚类分析问题. 该算法能够找出分布密度不同的各种类别 ,并能很快地处理高维数据集. 此外 ,还能有效地对时间序列数据集进行聚类.     

自媒体环境下网络课程实施效果评价

社会进入自媒体时代,网络课程和网络在线学习语言已成为研究的热点。文章利用网络平台在线调查和问卷调查的方法分别从资源获取、使用效率、学习影响等方面对高校网络课程的应用现状进行了调查分析。研究结果表明,大部分学生对网络课程学习持肯定态度,都有在线学习的经历,但现阶段大学生对网络课程资源的有效利用仍然处于较低层次。另外,以M大学英语专业高级英语课程作为个例,研究了网络课程对大学生学习效果的影响。结果表明参加网络课程学习的学生的平均成绩略高于只参加课堂学习的同学,但是两者之间并不具有统计学意义上的显著差异。最后,文章讨论了评价大学生网络课程学习行为和学习效果的方法,并提出了提高大学生自主学习能力的一些建议。     

基于算法改进的ART2数据聚类方法研究

为提高聚类精度和产生更多类别相关信息,在分析了传统聚类方法对最初样本集过分依赖,不能动态适应样本空间变化,不能动态决定聚类数目等不足后,通过介绍其特性和优点提出应用自适应谐振神经网络(ART2)作为聚类算法;针对经典ART2模型的主观设置警戒参数、输出无组织等不足,提出基于改进算法的ART2模型用于聚类分析;通过自组织、迭代、加权等过程推导合理类别的聚类所需要的警戒参数,仿真实验证明了本算法的有效性.     

基于分布模型的层次聚类算法

提出了一种新的层次聚类算法,先对数据集进行采样,以采样点为中心吸收邻域内的数据点形成子簇,再根据子簇是否相交实现层次聚类。在层次聚类过程中,重新定义了簇与簇之间的距离度量,并以此为基础建立堆结构。利用估计数据点总体分布的思想,证明该算法将逼近最优解。实验结果表明,算法的聚类效果大大优于现有的聚类算法。