基于Kd树改进的高效K-means聚类算法

针对经典的K-means算法在多维数据聚类效率上还有待提高的问题，本文提出一种称为CK-means的改进聚类算法。该算法在k-means算法的基础上，通过引入Kd树空间数据结构，初始聚类中心从多维数据某一维的区间等间隔集中选取，以及在数据对象分配过程中采用剪枝策略来提高算法的运行效率。实验结果表明，CK-means聚类算法较经典的k-means聚类算法运行效率更高。     

Spatial variability of short-term effect of tillage on soil penetration resistance

The effect of tillage on soil properties varies within field due to spatial variability of soils. Mapping changes of soil penetration resistance (PR) would be useful to understand and assess tillage practices to alleviate soil compaction. The objectives were to model the short-term effect of tillage on PR and its spatial structure, and to delineate homogeneous zones based on soil response in a Typic Argiudoll previously managed under no-till. A grid sampling for PR and soil water content (SWC) were performed before and after chiselling. Spatial analysis was performed on the effect of tillage on PR data by 10 cm layers and homogeneous zones were delineated by k-means cluster analysis. The effect of tillage was ?0.33 MPa in 10–20 and 20–30 cm layer. No differences of PR were found at 0–10 cm. Short range (5–7 m) spatial structure on the horizontal plane was observed in all layers. Only 45% of the field showed a marked effect of tillage on PR. Mapping the effect of tillage on PR would be a useful approach for evaluating the global and local response of soil to tillage, as well as for delineating of areas within field for site-specific tillage practices.     

聚类分析在学生成绩分析中的应用

数据挖掘的方法有很多,聚类分析是目前最有应用前景的数据分析方法之一。因为聚类分析能作为一个独立的工具来获得数据分布的情况,观察每一个簇的特点,并能集中对特定的某些簇作进一步的分析。对学生原始成绩进行等级评定是教学管理中的重要环节,传统的等级评定方法是基于绝对分数的评价,这种方法存在一些缺陷,借鉴数据挖掘中聚类分析的思想,使用基于聚类分析算法对学生的原始成绩进行等级划分,可以有效地克服传统评定方法的缺陷。     

基于功能分区与多聚类算法集成的耕地细碎化评价及整治

基于图斑尺度的耕地细碎化评价及整治有利于耕地布局优化,促进农业规模化与集约化发展。该研究以耕地图斑为基本评价单元,引入聚合分析来量化图斑间空间位置关系,围绕耕地细碎化内涵选取评价指标;运用热点分析和二步聚类算法来对研究区功能分区,在功能分区基础上,基于带轮廓系数的k-means聚类算法,评价耕地图斑的细碎化程度。结果表明：1）根据功能分区的聚类结果,新北区被划分为不显著区、连片规整区、离散复杂区;2）评价结果将新北区耕地图斑分为3类：类别一,离散破碎类,包含图斑17 332块,平均图斑面积过小,连片度低,图斑面积集中在0～10 000 m2,面积占比21.98%,连片度集中在1～4,主要分布在新北区中心区域;类别二,形状复杂类,包含图斑4 535 块,图斑形状复杂不规整,面积占比9.65%,形状指数集中在1.5～2.5,均匀分布在全区;类别三,连片规整类,包含图斑4 091 块,图斑集中连片、形态规整,面积占比68.37%,连片度集中在5～10,形状指数集中在1～1.5,主要分布在外围区域;并基于各类别耕地细碎化属性差异,提出相应的优化模式和整治意见。研究结果可以为耕地细碎化整治提供一定参考。     

基于光谱分类的土壤盐分含量预测

基于相似土壤组分和光谱特征,利用土壤光谱反射率数据和曲线特征来进行土壤光谱分类,同时充分挖掘有效信息是光谱分析的重要应用方向之一。借助模糊k-均值聚类方法将土壤光谱数据分成四个类别(分类前先将原始光谱进行范围归一化处理),比较分析了不同类型土壤在光谱分类前后的高光谱特征,然后利用Kennard-Stone法将各类别样本划分为建模集和预测集,将预处理后的建模集光谱数据作为输入量,采用偏最小二乘回归法(PLSR)方法建立全局和各自类别的盐分预测模型。结果表明:光谱分类建模较按土壤系统分类建模和全局建模的精度有明显提高,其预测模型总体的预测决定系数RP2、预测均方根误差RMSEP、相对分析误差RPD和RPIQ(样本观测值三四分位数Q3与一四分位数Q1之差与RMSEP的比值)四个指标分别从0.664、1.219、1.733和1.461提高至0.818、1.132、2.356和2.422,其中RPD提高幅度达23.13%,四个类别所建模型RPD均大于2.0,可以对土壤含盐量进行较为精确的定量研究。研究结果为利用大样本光谱数据建立大尺度区域的盐分等土壤属性预测模型提供一种新的思路和方法。     

农田图像绿色植物自适应分割方法

为了适应不同农田地块自然图像颜色特征固有的差异性,从土壤背景中准确分割出各种绿色植物目标,设计了一种自适应分割方法。首先利用初始有标签训练样本获得支持向量机分割模型,然后根据K均值聚类算法自动从待分割图像中提取无标签训练样本,与有标签训练样本组成混合训练样本集。而后在混合样本集基础上,使用直推式支持向量机训练方法得到新的有标签训练样本集,挖掘出待分割图像颜色特征的分布信息。最后,利用这些新的有标签样本在线自适应更新分割模型。农田图像试验结果显示,该方法可以提高分割模型的针对性,有效地增强了分割过程适应农田自然图像颜色特征差异性的能力。     

基于粒子群聚类的防火树种分类

以福建省37种针阔树种的10个防火性能指标为数据来源,运用粒子群聚类算法将树种分成6类.结果表明：分类达到了较理想的效果,总体符合生产实际情况.与蚁群聚类算法比较,粒子群聚类算法应用于防火树种分析能够获取较优的适应值聚类、较大的类间距离和较小的类内距离.粒子群聚类算法便于应用,可为林业科学中相关研究提供一种新手段.     

一种基于PSO-RBF神经网的入侵检测方法

针对传统基于K-均值聚类的RBF神经网络训练方法中,隐层参数训练结果易受初始值影响而陷入局部极小解,最终导致整个网络收敛速度慢、性能下降等问题,提出了基于粒子群算法(PSO)和K-均值相结合的径向基神经网络(RBF)训练算法.该算法利用PSO的全局搜索能力形成最优解邻域,K-均值算法在该邻域进行局部搜索,这样既利用了PSO算法的全局最优解搜索能力,同时也利用了K-均值算法收敛速度快的优点.试验结果表明该算法有效地解决了基于K-均值训练算法易陷入局部极小解的不足.文中将基于上述训练方法的RBF神经网应用到入侵检测系统中,试验结果同基于传统K-均值、遗传算法和RPCL算法训练的RBF方法进行比较,结果表明本文建议的方法在检测性能和训练时间上都有明显提高.     

Reduced-rank estimation of genetic parameters for egg production traits and cluster analyses with predicted breeding values

The aims of this study were to compare the suitability of the multi-trait (MUT) model to estimate genetic parameters with that of 13 reduced-rank principal component models (PC1 to PC13), and then to explore the additive genetic patterns of the breeding values obtained from these using clustering analyses of egg production traits. A total of 1,212 records were used to estimate genetic parameters using the MUT and PC models. The PC4 model was the best representation of the data since it had a lower AIC value and was more parsimonious than the MUT model. The estimated heritability of the age at the first egg (AFE) trait from this model was 0.28?±?0.06, and the estimated genetic correlation between AFE and total egg production (TP) was ?0.52?±?0.23. Potentially animals from cluster 2 are more likely to be in the selected group to help improve the egg production.