基于决策树的我国农业数据挖掘分析

决策树是用于分类的常用建模方法。首先对分类的概念和决策树方法分别进行了总体介绍,在此基础上对我国30个省市自治区的乡村劳动力、耕地面积以及农业总产值信息数据进行了挖掘分析,在运用决策树对数据进行分类过程中对连续数据采用聚类分析的方法进行离散化处理,从而避免了原始经验分类方法的主观性。最后,通过上述决策树分类方法,生成我国农业情况的决策树,获得相关空间分类规则,并对其进行分析说明。结果表明,决策树分类方法适合我国农业情况。     

人口空间聚类规则挖掘——全国各省市产业结构分类研究

本文采用离差平方和法(Ward方法),对2005年全国31个省市产业结构情况进行分析说明,归纳总结出各省市的主要产业类型及各产业与人均生产总值的关系,并从经济的视角获得各省市的产业结构类型与其经济发展状况的关系。     

基于分区的局域神经网络时空建模方法研究

区域数据表现为两种尺度的空间特性:反映全局特征的空间依赖性和反映局域特征的空间波动性.空间波动性表现为空间数据在局部地区的聚集或高低交错现象.在研究区域数据时空预测性建模时,从降低数据的空间波动和不平稳性对模型预测能力的影响角度出发,提出了一种基于分区的局域神经网络时空非线性建模的思路.分区过程由基于空间邻接关系的K-means聚类算法完成.不同的分区方案通过相关性、波动性、紧凑性等指标进行评价和优选.在确定最优分区方案的基础上,对各子区分别采用两层前馈网络进行建模,模型的输入不仅要考虑本区内单元的作用,而且要考虑相邻子区的边界效应.各神经网络模型的时空预测能力通过平均相均差和动态相似率等指标进行衡量.最后,通过对法国94个县每周流感报告病例的时空建模分析表明,与全局神经网络模型相比,基于分区的局域神经网络模型具有更好的预测能力.     

Prediction of UT1–UTC,LOD and AAM χ<Subscript>3</Subscript> by combination of least-squares and multivariate stochastic methods

This article presents the application of a multivariate prediction technique for predicting universal time (UT1–UTC), length of day (LOD) and the axial component of atmospheric angular momentum (AAM χ ₃). The multivariate predictions of LOD and UT1–UTC are generated by means of the combination of (1) least-squares (LS) extrapolation of models for annual, semiannual, 18.6-year, 9.3-year oscillations and for the linear trend, and (2) multivariate autoregressive (MAR) stochastic prediction of LS residuals (LS + MAR). The MAR technique enables the use of the AAM χ ₃ time-series as the explanatory variable for the computation of LOD or UT1–UTC predictions. In order to evaluate the performance of this approach, two other prediction schemes are also applied: (1) LS extrapolation, (2) combination of LS extrapolation and univariate autoregressive (AR) prediction of LS residuals (LS + AR). The multivariate predictions of AAM χ ₃ data, however, are computed as a combination of the extrapolation of the LS model for annual and semiannual oscillations and the LS + MAR. The AAM χ ₃ predictions are also compared with LS extrapolation and LS + AR prediction. It is shown that the predictions of LOD and UT1–UTC based on LS + MAR taking into account the axial component of AAM are more accurate than the predictions of LOD and UT1–UTC based on LS extrapolation or on LS + AR. In particular, the UT1–UTC predictions based on LS + MAR during El Niño/La Niña events exhibit considerably smaller prediction errors than those calculated by means of LS or LS + AR. The AAM χ ₃ time-series is predicted using LS + MAR with higher accuracy than applying LS extrapolation itself in the case of medium-term predictions (up to 100 days in the future). However, the predictions of AAM χ ₃ reveal the best accuracy for LS + AR.     

改进相似性测度的高光谱影像FCM聚类分析

高光谱遥感将反映目标辐射属性的光谱信息与反映目标空间几何关系的图像信息有机地结合在一起,能够实现地面目标的精细分类识别。FCM是一种有效的聚类算法,但存在相似性测度模型单一、分类精度的提高受到限制等问题。文中结合高光谱影像的技术特点,综合考虑光谱曲线的形状、地物辐射亮度及其权重,提出可以更好描述光谱向量之间的相似性的距离测度,并将其引入到FCM聚类模型中。聚类分析试验结果表明：通过改进和优化相似性测度的FCM,可以显著提高高光谱影像聚类精度。     

一种用于海底类型聚类的新方法(英文)

By using sonar imaging, this paper presents a new algorithm for the clustering of seabed types based on the self-organizing feature maps （SOFM） neural network. The theory as well as data processing is studied in detail. Some valuable conclusions and suggestions are given     

地下开采引发地面沉陷的未确知聚类预测方法

对未确知聚类预测法进行优化,并将其应用于开采地面沉陷的预测研究。采用开采地面沉陷的实测数据按最大沉陷量进行分类,利用各分类影响因素的均值表示各分类中心,并确定各影响因素的未确知测度函数。由待测对象指标的综合未确知测度与各分类指标的未确知测度间的距离来确定待预测对象所属等级,给出了预测值的计算公式。经计算验证,该方法的正确率为75％。但在实际应用中,为了保证地表建筑设施等更加安全,允许预测级高判,则正确率可达100％。针对某铁矿一观测点进行预测,并与实测数据比较,结果表明,未确知聚类预测的结果是令人满意的,为开采地面沉陷的预测提供了一种新思路。     

基于灰色模糊聚类分析的吉林省黑土结构综合评价

通过对黑土结构指标的定量研究,确定颗粒组成、团聚性和孔隙性3个方面的9个结构指标,建立结构综合评价体系,并采用灰色模糊聚类分析法对黑土的结构进行综合评价,确定吉林黑土的结构质量及肥力状况。结果表明,肥力中-低等样品数量占总量的53%,吉林黑土总体肥力状况不容乐观。以灰色模糊聚类分析法评价土壤结构不需要建立评价的分级标准,可以根据评价对象的实际情况进行最优聚类分析,采用结构性指标对黑土肥力和退化进行评价是可行的。     

一种基于双重距离的空间聚类方法

传统聚类方法大都是基于空间位置或非空间属性的相似性来进行聚类,分裂了空间要素固有的二重特性,从而导致了许多实际应用中空间聚类结果难以同时满足空间位置毗邻和非空间属性相近。然而,兼顾两者特性的空间聚类方法又存在算法复杂、结果不确定以及不易扩展等问题。为此,本文通过引入直接可达和相连概念,提出了一种基于双重距离的空间聚类方法,并给出了基于双重距离空间聚类的算法,分析了算法的复杂度。通过实验进一步验证了基于双重距离空间聚类算法不仅能发现任意形状的类簇,而且具有很好的抗噪性。