|
1：以專用詞典為切分工具，建立以概念為基礎(chǔ)的、具有主題分類特點(diǎn)的類目結(jié)構(gòu)是中文信息動(dòng)態(tài)自動(dòng)聚類的一種適用方式。
2：首先用閾值分割法去除紅毛丹背景，然后用模糊C均值聚類方法來(lái)分割果肉區(qū)域。
3：盡管分割不很精確，但是作為預(yù)處理手段，這種分割算法在某些特殊情況下對(duì)其他聚類算法有很大幫助。
4：提出并設(shè)計(jì)了一種用于高維稀疏相似矩陣的文本聚類算法。
5：對(duì)被調(diào)控基因協(xié)作網(wǎng)的聚類研究發(fā)現(xiàn)，大部分的類都顯著地富集一個(gè)或者多個(gè)GO功能注釋。
6：由相似矩陣進(jìn)行模糊聚類分析，得到了汕頭港地區(qū)底沙輸運(yùn)路徑。
7：因此需采用聚類分析對(duì)公路主樞紐城市進(jìn)行聚類，劃分層次來(lái)進(jìn)行功能分析。
8：通過(guò)以全體樣本對(duì)全體類別加權(quán)廣義歐氏權(quán)距離平方和最小為目標(biāo)函數(shù)，建立了模糊聚類、識(shí)別與優(yōu)選決策統(tǒng)一的理論與循環(huán)迭代模型。
9：首先，通過(guò)使用DCT代替“像素聚類”并重新定義類間散布矩陣，得到一種新的零空間法。
10：運(yùn)用系統(tǒng)聚類和模糊聚類方法，確認(rèn)貴州麻鴨在我國(guó)主要地方鴨種中的分類地位。
11：聚類分析顯示強(qiáng)迫型人格障礙同強(qiáng)迫癥存在密切關(guān)系。
12：二百零五、通過(guò)以全體樣本對(duì)全體類別加權(quán)廣義歐氏權(quán)距離平方和最小為目標(biāo)函數(shù)，建立了模糊聚類、識(shí)別與優(yōu)選決策統(tǒng)一的理論與循環(huán)迭代模型。
13：比較完善的ISODATA聚類分析.支持手動(dòng)選擇初始聚類中心,類似監(jiān)督法分類.
14：在定量評(píng)價(jià)的數(shù)學(xué)模型中，應(yīng)用Q型聚類分析劃分土地生態(tài)類型，應(yīng)用主成分分析法確定各生態(tài)類型的地位級(jí)指數(shù)。
15：本文根據(jù)日照百分率年變程曲線類型，應(yīng)用聚類分析方法，把全國(guó)劃分為12個(gè)日照區(qū)。
16：提出了一種新的基于關(guān)聯(lián)規(guī)則的多層文檔聚類算法，該算法利用新的文檔特征抽取方法構(gòu)造了文檔的主題和關(guān)鍵字特征向量。
17：探討了聚類分析這一重要的數(shù)據(jù)挖掘方法在綜合評(píng)價(jià)中的應(yīng)用，將模糊聚類與綜合評(píng)價(jià)相結(jié)合以解決待評(píng)價(jià)方案數(shù)較多的排序問(wèn)題，并且文中還改進(jìn)了建立模糊相似矩陣的方法。
18：第四章對(duì)城市用地效益進(jìn)行指數(shù)標(biāo)準(zhǔn)差分析、協(xié)調(diào)度分析和聚類分析。并對(duì)11城市的用地效益結(jié)果進(jìn)行分析。
19：在通過(guò)聚類方法選擇的所有年齡段的人群中，我們仔細(xì)審查了1063個(gè)隨機(jī)樣本，確定了主要的和次要的診斷標(biāo)準(zhǔn)，開發(fā)運(yùn)用了嚴(yán)重度評(píng)分。
20：然后依據(jù)傳統(tǒng)的編網(wǎng)聚類方法的基本思路，給出基于群體語(yǔ)言相似矩陣的聚類分析方法的計(jì)算步驟。
21：實(shí)驗(yàn)表明，基于鏡頭的場(chǎng)景邊界檢測(cè)性能優(yōu)于基于多特征的鏡頭聚類分析。
22：通過(guò)行業(yè)用戶的聚類，來(lái)獲得把白領(lǐng)資源的細(xì)分化，一個(gè)有價(jià)值的細(xì)分市場(chǎng)推廣渠道也會(huì)隨之誕生。
|
