UML类模型——满足用例的责任者

前一讲已经建立了系统的用例模型,说明了系统应具备的功能.系统中的类是满足系统用例的责任者,即系统功能的承担者.类模型是面向对象分析的核心,用类图来描述.类图主要描述系统中类、类与类之间的关系.     

飞奔的数码梦想——车载数码产品介绍

小编：高贵气质的汽车是当代人追拥的心仪宠物，而当灵动、洒脱的汽车“巧遇”到那些让人眼花缭乱、爱不释手的数码宝贝时，汽车就演化成了一种极具人性与时尚的“移动之家”。小编也知道很多读者同我一样，囊中羞涩，难以享受起这些昂贵．时尚的数码产品，不过倡导大家学习新技术，了解新产品是本刊一贯的宗旨，下面就请您跟小编一起，走入飞扬的数码世界……     

一种高效的双边聚类集成算法

谱聚类可以任意形状的数据进行聚类,在聚类集成中能够有效的提高基聚类的质量.以往的聚类集成算法中,聚类集成得到的结果并不是最终聚类结果,还需要利用聚类算法来获得最终聚类结果,在整个过程中会使得解由离散-连续-离散的转变.提出了一种基于谱聚类的双边聚类集成算法.算法首先在生成阶段使用谱聚类算法来获得基聚类,通过标准互信息来选取基聚类.将选出来基聚类和样本作为图的顶点,并对构建的图利用双边聚类算法对基聚类和样本同时聚类直接得到最终聚类结果.在实验中,将所提方法与一些聚类集成算法进行了比较,取得了较好的结果.     

VC++中集合类的使用

结合实例详细介绍了VC ++中表集合类和数组集合类的使用方法和步骤。     

一种改进的面向对象分析方法

本文主要探讨面向对象分析方法的优越性及不足之处,文章就建立具有挥发类、持久类与界面类三种类以及它们间的消息联系的分析模型问题作了重点探讨并给出具体的解决方法,这一问题的解决将进一步完善面向对象分析的方法体系。     

分布式环境中聚类问题算法研究综述

传统的集中式聚类是对集中存放在单个站点的数据集进行聚类,但不能解决数据分布存储环境下的聚类问题,而分布式聚类算法是从分布存储的数据集中提取分类模式,因此能满足此需求。针对分布式聚类算法进行综述和分析。首先对现有的分布式聚类算法进行了分类,然后对每类算法的基本思想和优缺点进行了比较,最后采用Iris和Wine两个数据集对几种分布式聚类算法从聚类精度和聚类时间两方面进行了比较。     

一种基于数据流的软子空间聚类算法

针对高维数据的聚类研究表明,样本在不同数据簇往往与某些特定的数据特征子集相对应.因此,子空间聚类技术越来越受到关注.然而,现有的软子空间聚类算法都是基于批处理技术的聚类算法,不能很好地应用于高维数据流或大规模数据的聚类研究中.为此,利用模糊可扩展聚类框架,与熵加权软子空间聚类算法相结合,提出了一种有效的熵加权流数据软子空间聚类算法——EWSSC(entropy-weighting streaming subspace clustering).该算法不仅保留了传统软子空间聚类算法的特性,而且利用了模糊可扩展聚类策略,将软子空间聚类算法应用于流数据的聚类分析中.实验结果表明,EWSSC 算法对于高维数据流可以得到与批处理软子空间聚类方法近似一致的实验结果.     

基于类的Flash多媒体课件制作的研究

面向对象课件设计思想一直为大家所谈论,实践中却很难找到相关案例。类是实现面向对象设计的基础,利用类的优势在于对象的重复利用效率。本文结合杠杆模型课件的设计方法介绍AS中类的应用。     

一种新的最佳聚类数确定方法

为了更有效地确定数据集的最佳聚类数,提出一种新的确定数据集最佳聚类数的算法。该算法借签层次聚类的思想,一次性地生成所有可能的划分,然后根据有效性指标选择最佳的聚类划分,进而获得最佳聚类数。理论分析和实验结果证明,该算法具有良好的性能。     

基于密度的模糊代表点聚类算法

结合密度聚类和模糊聚类的特点,提出一种基于密度的模糊代表点聚类算法.首先利用密度对数据点成为候选聚类中心点的可能性进行处理,密度越高的点成为聚类中心点的可能性越大;然后利用模糊方法对聚类中心点进行确定;最后通过合并聚类中心点确定最终的聚类中心.所提出算法具有很好的自适应性,能够处理不同形状的聚类问题,无需提前规定聚类个数,能够自动确定真实存在的聚类中心点,可解释性好.通过结合不同聚类方法的优点,最终实现对数据的有效划分.此外,所提出的算法对于聚类数和初始化、处理不同形状的聚类问题以及应对异常值等方面具有较好的鲁棒性.通过在人工数据集和UCI真实数据集上进行实验,表明所提出算法具有较好的聚类性能和广泛的适用性.     

基于混合聚类的中文词聚类

文本聚类在文本挖掘和信息检索系统中发挥着重要的作用,而词聚类是文本聚类的基础。提出了一种基于混合聚类的中文词聚类方法,它将层次聚类和概念聚类结合起来,以缩短整个聚类时间。首先对预处理后的词集进行初始聚类,然后从每个类中各取一个出现次数最多的词组成新的词集,最后对该词集进行再聚类。实验表明,这种方法有效降低了中文词聚类的时间复杂度。     

图像数据库的保局聚类

面对日益增长的图像数据库，为用户提供一个简洁高效的搜索和浏览解决方案成为一个紧迫而且充满挑战的问题．图像聚类技术可以在许多方面为此提供帮助，例如图像数据预处理、用户界面设计．以及对搜索结果的聚类等．在众多聚类算法中，谱聚类（spectral clustering）方法由于能够解决复杂分布数据的聚类问题，以及接近全局最优的性能，成为近年来广受关注的一种方法．然而，目前存在的谱聚类方法，譬如normalized cut在处理新增数据点的聚类时，计算复杂度很高．提出了一种新的聚类算法——保局聚类．保局聚类在拥有许多非线性谱聚类方法优点的同时，又具有独特的数学特性——能提供显式的映射函数．这为在原数据集和新增数据集上进行高效的聚类提供了可能．实验结果显示，保局聚类比K均值聚类和主成分分析后的K均值聚类效果要好．实验同样显示，保局聚类与normalized cut效果可比，而前者更加高效．     

基于模糊聚类的文本挖掘算法

针对传统FCM算法对孤立点比较敏感,须预先指定聚类数目的缺陷,提出一种新的模糊聚类算法NSFCM,将其应用干文本挖掘中。NSFCM对数据对象的隶属度增加一个权值,以减少孤立点对聚类中心的影响。采用平均信息熵确定聚类数,通过密度函数获得初始聚类中心。仿真结果证明,该算法聚类的精度和执行效率均高于FCM算法,效果较好。     

旋转网格:一种新的聚类融合方法

网格聚类以网格为单位学习聚簇,速度快、效率高。但它过于依赖密度阂值的选择,并且构造的每个聚簇边界呈锯齿状,不能很好地识别平滑边界曲面。针对该问题,提出一种新的面向网格问题的聚类融合算法(RG) . RG不是通过随机抽样数据集或随机初始化相关参数来创建有差异的划分,而是随机地将特征划分为K个子集,使用特征变换得到K个不同的旋转变换基,形成新的特征空间,并将网格聚类算法应用于该特征空间,从而构建有差异的划分。实验表明,RU能够有效地划分任意形状、大小的数据集,并能有效地解决网格聚类过分依赖于密度阂值选择以及边界处理过于粗糙的问题,其精度明显高于单个网格聚类。     

一种基于类间距阈值的模糊聚类算法

针对模糊C-均值(Fuzzy C-Means,FCM)算法需要事先设定聚类数C,若设定不当,容易导致错分类的问题,提出了一种利用类间距阈值搜索聚类数的方法来确定最佳聚类数.算法可以自适应确定最佳聚类数,仿真结果表明了利用类间距阈值方法确定聚类数的有效性.     

Java中实现事件监听的多种方法剖析

在面向对象、采用事件驱动机制的Java程序设计语言中,实现用户交互与事件监听处理的方法众多,如何让学生从众多的方法中解脱出来,真正理解与掌握事件监听处理的真谛是教学环节中的一个重点与难点,该文将多种实现方法进行分类,通过归纳总结,使用通俗的语言,辅以实践案例,详细的剖析了实现事件监听的各种不同方法。     

一种层次化的检索结果聚类方法

检索结果聚类能够帮助用户快速地浏览搜索引擎返回的结果.传统的聚类方法由于不能生成有意义的类别标签因此是不适合的,为了改善检索结果层次化聚类的效果,采用了基于标签的聚类算法,提出了将DF、查询日志、查询词上下文特征融合的类别标签抽取算法,并以抽取的标签构造基础类别图,通过GBCA算法构建层次化聚类结果.实验证明了多特征融合模型的有效性;GBCA算法在类别标签抽取和F-Measure两个评价指标上都比STC和Snaket算法有很大的提高.     

类中心极大的多视角极大熵聚类算法

在数据稀少、数据维度高、多视角聚类任务的情况下,传统极大熵聚类算法会因类中心趋于一致,从而导致聚类失败。为解决此类问题,在传统极大熵聚类算法的基础上,引入类中心惩罚机制,融合权重矩阵实现多视角划分融合,构建出类中心极大的多视角极大熵聚类算法。该算法通过调整每个视角上的权重来体现某个视角的重要性,并通过类中心极大惩罚项解决了多视角聚类任务下,因数据稀少、数据维度高导致每个视角上的类中心趋于一致的问题。通过大量实验进一步证明,该算法在处理高维度、数据稀少、存在干扰数据和多视角的数据集时,其聚类效果明显优于传统的聚类算法。     

一种基于网格的引力聚类算法

将万有引力和牛顿第二运动定律的思想引入到聚类分析中,提出了一种基于网格的引力聚类算法GCABG.该算法可以自动决定目标数据集中的簇的个数,并且能发现任意形状的簇且可以过滤"噪声"数据.实验结果表明GCABG可以产生高质量的聚类结果.     

图形属性管理

属性管理是图形系统中的关键技术,不同图元的属性项目差异很大,用户定制图元的属性管理更加困难,给出的属性盒类较好地解决了这个问题。图形对象之间常常拥有相同的属性值,而属于同一图层的某些对象也可能拥有特别的属性值,为此提出了一个较为完善的图层类和图元类的设计。