基于IGS方法的最佳分类数研究*

针对选择Gap Statistic(GS)方法估计聚类数能够得到数据集的粗略分类,但不能进一步对数据集进行细分类这一问题,对GS方法进行改进;将Gap统计量引入到ISODATA算法中,提出了IGS模型;实证表明,IGS模型不仅可以实现数据的细分类,而且通过IGS模型估计数据集的最佳分类数准确率明显高于原GS模型。     

混合型模糊聚类分析方法及其应用

在动态聚类方法和模糊ISODATA方法的基础上,提出了混合型模糊聚类分析方法.该方法首先利用传统的传递闭包方法得到1个初始分类,并在此基础上提出初始分划矩阵,根据考虑权重因子的模糊ISODATA方法对相关数据进行迭代计算,从而对数据进行有效分类.以股票分类为例对该方法进行实证分析,分析结果表明,应用该方法可以对股票进行有效分类优选.     

应用MODIS数据进行土壤盐渍化评价方法研究

土壤盐渍化是土地荒漠化的主要成因和表现形式,是一个世界性的资源问题和生态问题,给人类社会带来了严重的经济损失和生态危害.探讨了利用中分辨率遥感数据,对区域性盐渍化土壤进行分类评价的方法.以银川平原为例,选用分辨率为500 m的MODIS遥感影像数据,运用非监督图像分类方法中的ISODATA算法,对该区域的土壤盐渍化程度和分布状况进行定性和定量的评价分析.分析结果表明,在银川平原区内,非盐渍化土面积约4 088.50 km2,重度盐渍化土面积约170.00 km2,中度盐渍化土面积约659.00 km2,轻度盐渍化土面积约1 653.50 km2.与实际调查资料对比,得出本次分类结果精确度为77.6%.     

基于熵权的教师绩效评价算法的研究

本文采用熵权法这种客观赋权方法来确定综合评价中各指标的权重,通过把熵权法和传统的ISODATA聚类方法相结合,在ISODATA的目标函数中引入权重,给出了含有熵权的ISODATA聚类的迭代公式,提出了基于模糊聚类和熵权的改进的综合评价算法,并将该算法应用于教师绩效评价,使其评价结果更加有效．     

ISODATA动态聚类算法在文本挖掘中的应用

为了对复杂文本挖掘进行聚类分析,提出了一种基于动态ISODATA的聚类算法,详细介绍了此算法的基本思想和具体的算法步骤,并最终给出了试验结果。     

遥感影像分类在景观格局变化中的应用

应用景观生态学理论,以桂林市2002年ETM+和2006年中巴资源卫星这两个时段的遥感图像为例,基于ERDAS IM AGINE等处理软件对遥感影像进行预处理、解译,获取不同时期的土地利用信息,了解景观生态过程变化趋势,探讨区域景观生态格局演变的关系.采用FRAGSTATS软件对景观指数进行计算,并对桂林市土地利用的景观格局进行分析,探讨了相关的人类活动对土地利用的影响.这一项研究对于了解区域生态环境变化,维护生态平衡,促进区域经济与环境的协调发展具有重要意义.     

区间模糊ISODATA动态聚类算法

目前模糊技术已经应用于许多智能系统,如模糊关系与模糊聚类.聚类是数据挖掘的重要任务,它将数据对像分成多个聚类,在同一个聚类中,对象的属性特征之间具有较高的相似度,有很大研究及应用价值.结合数据库中的挖掘技术,对属性特征为区间数的多属性决策问题,提出了一种基于区间数隶属度的区间模糊ISODATA动态聚类方法.     

基于GIS的模糊ISODATA聚类的实现与应用

基于GIS,进行二次开发,通过读取地质变量,建立模糊关系矩阵,使问题从地质变量空间向评语空间转换,按照国家标准进行分类计算,并将分类以图形的方式给出,结合污染点,进行叠加和排序,预测评估污染相对严重的区域,并且圈定出污染较重的地区,以量化的结果为下一步的环保治理提供依据.     

基于移动代理的无线传感器网络路由算法研究

在无线传感网络中,簇的划分以及簇内节点访问顺序对网络生存周期具有重要影响。为了提高分簇网络生存周期,提出一种分簇融合的方法。采用ISODATA聚类法实现网络的分簇,在簇内由移动代理对数据进行融合。将移动代理路由归结为一个优化问题,采用蚁群算法求出移动代理迁移的最优路径序列。实验以能耗和网络延时作为评价指标,结果表明该算法可以有效的降低网络能耗,提高网络生存周期。     

基于迭代自组织数据分析算法与蚁群算法建立有机物黏度的QSPR模型

为了构建310个有机物分子结构与其黏度之间的定量结构-性质关系(QSPR)模型,探讨影响有机物液体黏度的结构因素,首先运用迭代自组织数据分析技术(ISODATA)将样本集初步分类,划分为训练集和测试集,进而应用DRAGON2.1软件计算310个有机物分子的分子结构描述符,以蚁群算法(ACO)筛选分子描述符,得到5个参数,随后分别采用多元线性回归法(MLR)和支持向量机法(SVM)建立ACO-MLR模型和ACOSVM模型.结果表明,非线性ACO-SVM模型(相关系数R2train=0.9013,R2test=0.9026)的性能优于线性ACOMLR模型(R2train=0.7680,R2test=0.8725).ACO-MLR模型和ACO-SVM模型对测试集所得预测值与实验值的相关系数分别为0.934和0.950,预测效果令人满意.本文应用Williams图对模型的应用域进行了一定的研究,所建立的模型为工程上提供了一种根据分子结构预测有机物黏度的有效方法.