改进型的K-mediods算法

挖掘科学数据是当今数据库系统研究和应用领域内的一个热点问题。聚类是数据挖掘中的核心问题。K-中心算法的执行结果受到初始选择的中心点的影响，而且常常只能终止于局部最优，按照基于密度聚类算法的思想，聚类分析最终的中心点都是很“密的（dense）”点，结合这两种算法，如果初始选择的中心点就是“密的（dense）”点，并且这几个初始的中心点彼此相异度比较大，那就会减少算法执行的时间，并且提高聚类结果的准确度。     

一种改进型聚类算法应用于科学数据挖掘

聚类是数据挖掘中很重要的一部分.提出一种新的算法,不仅能避免最终的结果陷入局部解而且不用预知类别就可以对大批的数据进行分类,同时可以很容易的找出噪声数据.实验证明了这种算法在科学数据挖掘中是很有效的.     

一种适合于科学数据的聚类算法

聚类是科学数据挖掘中的核心问题.在已提出的聚类算法中大都是基于＂距离＂的概念,这类算法的缺点在于处理数据量大和维数高的科学数据时不够有效,因此提出迭代网格算法.这个算法与基于距离的损法有根本不同,它抛弃了距离的概念,而采取一种新的思路.它不仅能够自动发现包含有趣知识的子空间,并将里面存在的所有聚类挖掘出来;而且它能很好的处理维数高和数据量大的科学数据.     

贝叶斯网络结构学习方法研究

介绍贝叶斯网络结构学习的两种方法：渐进正确结构学习和启发搜索方法,并重点对最小描述长度测度函数MDL和DGM测度函数进行了分析比较,提出了一个两阶段从数据集中学习贝叶斯网络（BN）结构的有效算法.首先,第一阶段采用以信息论为基础的渐进正确的结构学习方法来有效的搜索可能的网络空间,构造一个候选网络;然后,采用启发搜索的方法来精简这个候选网络.使用这种分两阶段学习的方法比单纯使用一种方法来获取BN结构更精确和有效率.     

中国粮耕价值比与种植结构时空耦合演化及分区调控

耕地粮食产出价值与种植结构均深刻影响着国家粮食安全,探讨耕地粮食产出价值与种植结构的时空耦合变化,可理清两者关系,助力粮食安全保障能力的提升。本文以中国省级行政单元为研究对象,在深刻解读粮耕价值比和种植结构内涵的基础上,综合利用Simpson指数、耦合协调度模型和空间自相关等方法,分析2004—2020年中国粮耕价值比和种植结构耦合时空演化,以揭示其时空动态关系。结果表明：① 2004—2020年各省份粮耕价值比空间分布特征表现为“由北向南”和“由西向东”的双重递减态势;② 种植结构空间格局呈现由“胡焕庸线”沿线区域向两侧递减的空间分布形态,东北、华北和华东地区多样性递减明显;③ 粮耕价值比与种植结构耦合协调度介于勉强耦合协调与高度耦合协调之间,表现为规律性空间集聚,中西部及东北地区呈高高集聚,具有“匹配性优势”,东南沿海地区呈低低集聚,有待“匹配性改良”,总体表现为：“东北、中部高,东南部低”的态势。本文认为应依据要素空间集聚和扩散的分异特征,因区施策引导耕地粮食品质化与多元化协同演进,促进粮食结构与效益匹配发展。