检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

制造业对生产性服务业就业的影响空间与机制

华中科技大学学报（社会科学版） 2011年第3期25卷 73-79页

作者：田喜洲重庆工商大学长江上游经济研究中心/管理学院重庆400067

利用2007年投入产出表和中国统计年鉴,根据服务业的中间使用率,运用参数估计方法,研究生产性服务业的就业效应及制造业对它的影响机制。研究结果表明:中国生产性服务业具有较高的间接就业效应,增加该类行业的就业人数会成倍的增加全社... 详细信息

利用2007年投入产出表和中国统计年鉴,根据服务业的中间使用率,运用参数估计方法,研究生产性服务业的就业效应及制造业对它的影响机制。研究结果表明:中国生产性服务业具有较高的间接就业效应,增加该类行业的就业人数会成倍的增加全社会就业人数。此外,制造业对生产性服务业就业的影响空间及机制不尽相同,其中影响较大的行业包括:交通运输、仓储、邮政业,批发和零售贸易业。

关键词：生产性服务业就业效应制造业影响空间

在线全文

学校读者我要写书评

暂无评论

基于影响空间的稳健密度峰值聚类算法

计算机科学 2019年第11期46卷 216-221页

作者：陈春涛陈优广华东师范大学计算机科学与软件工程学院

DP(Clustering by Fast Search and Find of Density Peaks)是一种新提出的基于局部密度和距离的聚类算法,具有能够发现任意形状的类簇、易于理解并且可以高效划分数据的优点。但是该算法无法处理单个类簇中同时存在多个密度峰值的情况... 详细信息

DP(Clustering by Fast Search and Find of Density Peaks)是一种新提出的基于局部密度和距离的聚类算法,具有能够发现任意形状的类簇、易于理解并且可以高效划分数据的优点。但是该算法无法处理单个类簇中同时存在多个密度峰值的情况,并且数据划分不稳定,容易导致连锁错误划分;当类簇间的密度差异较大时,其无法准确识别稀疏的类簇。为弥补以上不足,提出一种基于影响空间的稳健密度峰值聚类算法。该改进算法通过邻近数据计算局部密度,增强对小规模类簇的识别能力。为了提高数据划分的稳定性,引入了影响空间,并定义了一种新的对称关系,提出了一种新的分配策略。其通过计算目标数据与邻近数据的局部密度比值,并对影响空间进行加权,使算法能够处理具有多密度分布特征的数据。基于人工合成数据集和UCI数据集的模拟对比实验表明,提出的改进策略增强了算法对稀疏类簇的识别能力,提高了数据划分的稳定性,在NMI和Acc评价指标方面取得了较优的结果。

关键词：局部密度聚类算法影响空间分配策略稳定性

一种基于逆近邻和影响空间的DBSCAN聚类分析算法

在线全文

学校读者我要写书评

暂无评论

计算机应用与软件 2022年第2期39卷 287-293,349页

作者：刘宏凯张继福太原科技大学计算机科学与技术学院山西太原030024

密度聚类是数据挖掘和机器学习中最常用的分析方法之一,无须预先指定聚类数目就能够发现非球形聚类簇,但存在无法识别不同密度的相邻聚类簇等问题。采用逆近邻和影响空间的思想,提出一种密度聚类分析算法。利用欧氏距离计算数据对象的K... 详细信息

密度聚类是数据挖掘和机器学习中最常用的分析方法之一,无须预先指定聚类数目就能够发现非球形聚类簇,但存在无法识别不同密度的相邻聚类簇等问题。采用逆近邻和影响空间的思想,提出一种密度聚类分析算法。利用欧氏距离计算数据对象的K近邻与逆近邻,依据逆近邻识别其核心对象,并确定其核心对象的影响空间;利用逆近邻和影响空间,重新定义密度聚类簇扩展条件,并通过广度优先遍历搜索核心对象的影响空间,形成密度聚类簇,有效解决了无法区分不同密度相邻聚类簇等不足,提高了密度聚类分析效果和效率。基于UCI和人工数据集实验验证了该算法的有效性。

关键词：密度聚类聚类簇扩展逆近邻影响空间核心对象

一种影响空间下的快速K-means聚类算法

在线全文

学校读者我要写书评

暂无评论

小型微型计算机系统 2016年第9期37卷 2060-2064页

作者：赵文冲蔡江辉赵旭俊张继福太原科技大学计算机科学与技术学院太原030024

K-means是一种经典的迭代划分聚类算法,但在每次迭代过程中,需要计算和比较每个数据点与所有中心点之间的距离,因此聚类过程时间开销大.利用影响空间数据结构,给出一种快速K-means聚类算法.该算法首先,引入影响空间数据结构对给定数据... 详细信息

K-means是一种经典的迭代划分聚类算法,但在每次迭代过程中,需要计算和比较每个数据点与所有中心点之间的距离,因此聚类过程时间开销大.利用影响空间数据结构,给出一种快速K-means聚类算法.该算法首先,引入影响空间数据结构对给定数据集进行区域划分,获得各个区域中的代表数据点;然后,对代表数据点进行K-means聚类,得到的代表数据点所属的类别即是该区域中所有数据点所属的类别,有效地降低迭代过程中的数据量,提高了聚类效率;最后,理论分析和实验结果表明,仅对代表性数据点而非数据集中所有数据点进行迭代聚类,能够在保证聚类质量的前提下,有效地提高聚类效率.

关键词：聚类影响空间区域划分代表元素

在线全文

学校读者我要写书评

暂无评论

基于逆近邻和影响空间的并行密度聚类分析

基于逆近邻和影响空间的并行密度聚类分析

作者：刘宏凯太原科技大学

学位级别：硕士

聚类分析是数据挖掘领域中一个最重要的构成部分。在数据挖掘过程中,无需使用任何先验知识,聚类分析的目标是将聚类簇内的数据对象相似性最大化,不同聚类簇间的相似性最小化。密度聚类作为一类聚类分析方法,具有聚类速度快和在任意形状... 详细信息

聚类分析是数据挖掘领域中一个最重要的构成部分。在数据挖掘过程中,无需使用任何先验知识,聚类分析的目标是将聚类簇内的数据对象相似性最大化,不同聚类簇间的相似性最小化。密度聚类作为一类聚类分析方法,具有聚类速度快和在任意形状聚类簇数据集上都适用等优点,但存在无法区分不同密度的相邻聚类簇等缺点,且随着数据量和数据维度的急剧增长,其聚类效率低下,无法适应高维海量数据。本文采用逆近邻和影响空间的思想,对密度聚类算法及其并行化进行较深入的研究,有效地克服了其无法区分不同密度的相邻聚类簇等不足,并有效地提高了密度聚类分析的效果。其主要贡献如下:(1)采用逆近邻与影响空间相结合的思想,给出了一种密度聚类分析算法。该算法首先利用欧式距离计算数据对象的K近邻与逆近邻,依据逆近邻识别其核心对象,并确定其核心对象的影响空间;其次利用逆近邻和影响空间,重新定义了密度聚类簇扩展条件,并通过广度优先遍历搜索核心对象的影响空间以形成密度聚类簇,从而可以有效地区分不同密度的相邻聚类簇,进一步提高了密度聚类分析的精度和效率。最后,选用UCI真实数据集和人工仿真数据集进行聚类分析,实验结果验证了该聚类分析方法的正确有效性。(2)在Spark并行计算环境下,给出了一种基于逆近邻和影响空间的并行聚类分析算法。该算法首先引入局部敏感哈希的思想,采用P-稳定分布哈希函数计算数据对象的近似k近邻与逆近邻,可有效减少全局检索数据集的次数,降低算法运行时间;其次利用数据对象的逆近邻和影响空间进行聚类簇扩展,可有效区分不同密度的相邻聚类簇,并且因spark集群架构特性,弹性分布式数据集中的数据对象在内存中保存与计算,可明显减少硬盘的I/O次数,有效地提高了聚类分析效率;最后采用人工仿真数据集,实验验证了该算法在Spark分布式计算平台上,具备聚类效率高、可伸缩性与扩展性良好等优点。

关键词：密度聚类逆近邻影响空间核心对象 P-稳定分布哈希函数

基于影响空间的K-means聚类算法及其应用

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于影响空间的K-means聚类算法及其应用

作者：赵文冲太原科技大学

学位级别：硕士

聚类分析作为一种非常重要的数据挖掘技术,已经越来越受到研究者的青睐,并被广泛应用到机器学习、模式识别、图像处理等众多领域。K-means是一种在生活、生产实践中最受关注并广泛使用的经典聚类算法,但仍然存在着对初始中心点和噪声数... 详细信息

聚类分析作为一种非常重要的数据挖掘技术,已经越来越受到研究者的青睐,并被广泛应用到机器学习、模式识别、图像处理等众多领域。K-means是一种在生活、生产实践中最受关注并广泛使用的经典聚类算法,但仍然存在着对初始中心点和噪声数据敏感、聚类过程距离计算时间开销大等缺陷。本文针对K-means的上述问题分别进行了研究,提出了相应的改进策略,并将改进后的聚类算法应用到天体光谱数据的分析中。主要研究内容如下:(1)针对传统K-means算法对初始中心点和噪声数据比较敏感的缺陷,给出了一种基于影响空间的K-means聚类初始中心点优化算法。该算法引入影响空间数据结构对给定数据集进行区域划分,获得各个区域中的代表数据点,并利用加权距离吸引因子对代表性数据点进行合理合并获取所需要的初始中心点。选取的初始中心点一般分布于局部密度最大区域,可以有效降低噪声数据对聚类结果的影响。理论分析与实验结果表明,该算法在聚类精度和迭代次数上与同类算法比较,具有较大优势。(2)针对传统K-means算法迭代过程时间开销大的问题,给出了一种影响空间下的快速K-means(ISBFK-means)聚类算法。该算法通过对(1)中方法获取的代表数据点进行聚类,得到的代表数据点所属的类别即是该区域中所有数据点所属的类别,有效地降低迭代过程中的数据量,提高了聚类效率。利用UCI数据集与相关算法进行实验比较,实验结果验证了该算法的有效性。(3)在上述研究的基础上,采用所提出的聚类方法对LAMOST光谱数据进行了聚类分析,设计实现了基于影响空间的天体光谱聚类分析原型系统,并介绍了系统相关的功能与关键技术,为分析、探究天体光谱背后隐藏的信息提供了一种有效辅助手段。

关键词： K-means 影响空间初始点优化 ISBFK-means 天体光谱

基于影响空间的初始中心点优化K-means聚类算法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

太原科技大学学报 2016年第5期37卷 347-353页

作者：赵文冲蔡江辉张继福太原科技大学计算机科学与技术学院太原030024

针对K-means聚类算法依赖初始点、聚类结果受初始点的选取影响较大的缺陷,给出了一种稳定的基于影响空间的初始点优化K-means聚类算法。该算法借助了影响空间数据结构和定义的加权距离吸引因子,将特殊中心点合并为K个微簇,并对微簇中的... 详细信息

针对K-means聚类算法依赖初始点、聚类结果受初始点的选取影响较大的缺陷,给出了一种稳定的基于影响空间的初始点优化K-means聚类算法。该算法借助了影响空间数据结构和定义的加权距离吸引因子,将特殊中心点合并为K个微簇,并对微簇中的数据点加权平均得到K个初始中心点,然后执行K-means算法;最后,理论分析和实验结果表明,该初始点优化K-means聚类算法能够有效降低噪声数据对聚类结果的影响,在聚类结果、聚类过程效率方面有较大优势。

关键词： K-means算法影响空间加权距离吸引因子初始点优化

基于影响空间与YOLOv3的古建筑检测方法

在线全文

学校读者我要写书评

暂无评论

计算机技术与发展 2022年第12期32卷 185-193页

作者：胡立华王敏敏刘爱琴张素兰太原科技大学计算机科学与技术学院山西太原030024 佛山市科自智能系统技术有限公司广东佛山528010

物体检测是计算机视觉领域的一个关键内容,主要研究如何在静态图像或动态视频流中快速、准确地识别及定位出其中的目标。基于图像的古建筑检测可用于古建筑三维重建、智慧旅游等领域,具有重要的研究意义和实际应用价值。然而,受到古建... 详细信息

物体检测是计算机视觉领域的一个关键内容,主要研究如何在静态图像或动态视频流中快速、准确地识别及定位出其中的目标。基于图像的古建筑检测可用于古建筑三维重建、智慧旅游等领域,具有重要的研究意义和实际应用价值。然而,受到古建筑样式、形状、花纹及纹理质地等影响,目前的物体检测器存在检测精度低和定位不准的问题。针对上述问题,基于YOLOv3网络模型,结合密度聚类和距离聚类思想,设计了一种基于RNN-DBSCAN+k-means的古建筑检测方法。该方法首先结合影响空间思想,采用RNN-DBSCAN算法对已标注的古建筑图像聚类,生成聚类结果集;其次从聚类结果集中选取最优的k个结果作为k-means的初始聚类中心;然后将这k个聚类中心作为聚类初始值,结合k-means算法得出聚类结果,并作为YOLOv3网络的先验框;最后以voc数据集(20类)和古建筑数据集为对象,验证了算法的有效性。针对古建筑数据集,算法检出率提高了0.33%;而在voc数据集单类检测中,算法检出率提高了0.04%~0.84%。

关键词：影响空间 YOLOv3 古建筑检测交并比检出率

在线全文

学校读者我要写书评

暂无评论

基于密度的局部离群数据挖掘方法的改进

计算机应用研究 2014年第6期31卷 1693-1696,1701页

作者：王茜刘书志重庆大学计算机学院重庆400044

针对传统局部离群点检测算法的局限性进行了研究,提出了一种新的有效的离群数据挖掘算法。该算法在寻找数据点的近邻区域时采用了基于影响空间的局部离群点检测(INFLO)中影响空间的概念,然后在计算数据点的离群因子时,根据基于链接的离... 详细信息

针对传统局部离群点检测算法的局限性进行了研究,提出了一种新的有效的离群数据挖掘算法。该算法在寻找数据点的近邻区域时采用了基于影响空间的局部离群点检测(INFLO)中影响空间的概念,然后在计算数据点的离群因子时,根据基于链接的离群点检测(COF)中链式距离的思想,提出了基于相似k距离邻居序列(SKDNS)的离群因子计算方法。通过对比该算法和其他经典局部离群点检测算法在不同数据分布情况下的挖掘结果,该算法比LOF、INFLO和COF算法的离群挖掘准确性更高,能有效克服LOF算法的不足,提高局部离群数据挖掘的准确性和多样性。

关键词：离群数据挖掘影响空间链式距离相似k距离邻居序列离群因子