蚁群聚类在课程微型化中的应用研究

课程微型化过程往往是教师根据自身对课程的认识,课程的重点、难点及基本概念完整性等将课程划分为若干片段.在整个过程中对学习者的学习需求很少考虑,造成很多课程微型化不能得到学习者的认可.为了更加科学、合理的将课程微型化,必须充分考虑学习者的学习需求,收集网络学习系统用户观看视频教程的学习过程信息,使用改进的LF算法对学习过程信息进行聚类,聚类后的每个类别表示一种学习类型的用户,而每个类的聚类中心正是该类用户对课程微型化的需求.通过蚁群聚类不但能够得到不同类型的用户群,而且还能得到不同类别的课程微型化,针对不同的用户采用不同的微型化课程,既能提高学习者的学习效率还能实现在线学习系统的个性化.     

基于鱼群算法的异构数据库语义聚类的研究

数据库语义上的异构成为数据整合的重点和难点。针对该问题文章提出一种基于鱼群算法的异构数据库语义聚类算法。其思路是,首先对数据库属性信息进行向量化、矢量化,利用鱼群算法得到一个较优的聚类结果,再根据鱼群算法的结果使用模糊C-均值算法进行调整聚类。实例分析结果证明,该算法具有较高的聚类准确度。     

数据挖掘在高校教学管理中的应用

高校管理系统中的教学数据逐年增多,但对数据的分析处理多停留于简单的查询与统计阶段.要想合理开发利用这些数据找到其内在关联,为教育教学管理及决策提供指导,使用数据挖掘技术对其进行知识发现是一条重要途径.本文将依次对数据挖掘的概念、过程、相关技术及其在教学管理中应用进行归纳与总结.     

基于改进K-means聚类算法的组合模型建模

在传统的K-means聚类算法中,初始聚类是随机选取的,其聚类结果易随着不同的初始聚类中心波动.针对这一问题,首先采用最大距离积法对传统K-means聚类算法的初始聚类中心进行了优化.同时定义了一种新的目标函数并将其引用到传统的K-means聚类算法中,以实现对聚类结构类别数K的优化选择.将训练集样本数据经上述方法聚类后,再将各个子类分别建立基于支持向量机的子模型,通过开关切换的方式连接各子模型得到组合的支持向量机模型.将该方法应用于双酚A生产过程的缩合反应单元溶解罐出口苯酚含量的软测量建模.工业实例仿真结果表明:该算法能较好地跟踪苯酚含量的变化趋势,有效地改善了数据分类效果,提高了软测量模型的估计精度,显示了它在工业领域的应用潜力.     

北引总干渠渠道土冻胀性的分析方法及处理措施

冻胀对水利工程会造成较大的危害,应该给予合理的分析并采取适当的工程处理措施。文章结合嫩江北引总干渠工程实际对渠道土的冻胀性进行了评价分析。     

混凝土结构无机胶植筋锚固性能试验

植筋技术在加固改造工程中应用广泛。采用无机胶来代替有机胶植筋,可以克服不耐高温,耐久性差等缺点。通过在不同强度混凝土中进行不同直径钢筋的拉拔试验,得出无机胶化学植筋锚固长度、混凝土强度与植筋承载力之间的关系,以及荷载—位移曲线,为无机胶植筋提供设计依据。     

基于在线聚类和检测成本的移动自组网异常检测

移动自组网具有无线信道、动态拓扑、缺乏基础设施和节点资源受限等特点,更易受到安全威胁,且无法部署复杂的安全协议和算法.为了有效检测移动自组网中的异常访问行为,提出了一种基于在线聚类和检测成本的异常检测方案TCDC.TCDC先在单个节点内对访问行为进行在线聚类和处理,然后在不同节点间通过基于检测成本的协同检测进一步确认访问行为.仿真实验表明,该异常检测方案能够有效地检测移动自组网中的异常行为,且消耗资源较少.     

基于Value双向近似推理的系统决策方法

先提出Vague值间的一种新的相似度,并基于有序加权聚类(OWA)算子给出Vague集间的新的加权相似测度,其中的权重是由决策者根据实际决策需求来确定的,具有一定的弹性;另外通过Vague输入事实与Vague决策规则的前件(或后件)之间的相似匹配度,得到一个简单可行的双向近似推理方法,这可为复杂环境下的系统决策(如工业检测和医疗诊断等领域问题)提供有效的支持工具。     

可拓K近邻算法在数据聚类分析中的应用

针对区间值数据的数据聚类问题,根据可拓学关联函数的定义,提出可拓距离的概念来度量数据之间的距离,利用K近邻的思想,根据可拓距离的大小对数据集的目标属性进行投票选择进行分类,设计了可拓K近邻算法（Extension K Nearest Neighbor,EKNN）。最后利用UCI的两个基准数据集Iris植物样本数据和糖尿病数据库PIDD进行验证,首先通过免疫网络约简算法对条件属性进行最小属性约简,然后利用EKNN算法分析和比较不同最小约简属性下的分类准确率。     

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。