中国白蛉亚科数值分类研究(双翅目:毛蠓科)(英文)

【目的】对中国白蛉亚科(Phlebotominae)昆虫进行数值分类研究,探索其在系统发育过程中的亲缘关系。【方法】选取中国白蛉40个蛉种作为分类单元以及白蛉的68项形态特征为分类指标,进行系统聚类分析。【结果】聚类分析结果与传统属级及白蛉属Phlebotomus的亚属级分类一致。司蛉属Sergentomyia的亚属分类与传统分类有一些区别,聚类分析将司蛉属分为8类,其中尼克组nicnicgroup与司蛉亚属subgenus Sergentomyia和传统分类一致;泉州司蛉S. quanzhouensis和唐氏司蛉S. tangi聚入帕蛉亚属subgenus Parrotomyia;尹氏司蛉S. yini聚入新蛉亚属subgenus Neophlebotomus,应氏司蛉S.iyengari、马来司蛉S. malayensis、吐鲁番司蛉S. turfanensis、兰州司蛉S.lanzhouensis和南京司蛉S. nankingensis聚为一类;歌乐山司蛉S.koloshanensis、方亮司蛉S.fanglianensis和云南司蛉S.yunnanensis与尼克组nicnicgroup聚成一类,此类...     

商业银行经营风险预警模型及其实证研究

通过R型聚类分析筛选指标,建立了商业银行经营风险预警指标体系.综合运用主成分分析和模糊综合评判方法,建立了基于加权平均模糊综合评判的商业银行经营风险预警模型.以曾在1999年7月发生严重危机的汕头市商业银行为例对风险预警模型进行了实例分析和验证.文章的特色与创新一是运用R型聚类分析剔除了相关性强的指标;二是采用主成分分析法的最大方差旋转来确定指标权重,三是采用梯形隶属度函数反映不同程度风险发生的可能性;四是指标体系的建立综合地考虑了资产风险、流动性风险、资本风险和盈利风险.     

聚类分析在上市公司绩效评价中的应用

随着中国股市正在逐步走向完善,走向规范化,价格回归其内在价值将越来越明显,分析上市公司的经营业绩、评价其绩效将是投资者最为关注的。对上市公司分门别类是使投资决策简单易行的必由之路。本文使用聚类分析对上市公司进行分类,以供投资者做投资决策借鉴之用。     

山西省经济开发区发展水平实证研究

依据《2011年山西省统计年鉴》中的相关数据，对山西省内22个经济开发区的综合发展水平进行了分析与研究。根据因子分析法提取出了影响开发区发展水平的3个主因子；然后运用聚类分析法将山西省经济开发区按发展水平分成3类。最后，为山西省经济开发区发展水平的进一步提高提出了相应的对策建议。     

基于植物形态标记的福建常见榕树聚类分析

对福建省30种常见榕属植物的22个性状进行形态聚类分析,结果表明:榕属植物各种之间的平均欧氏距离是5.336 8,欧氏距离最近的是日本匍茎榕和珍珠莲,为1.715 5;硬叶榕和大果榕的欧氏距离最远,为9.770 7.从形态标记聚类图可看出,在纵切线位置(欧氏距离为7.575 1)可将福建省30种常见榕属植物分为6个类群,第1类包括6种榕属植物;第2类包括16种榕属植物;第3类、第5类有3种榕属植物;第4类、第6类只有1种榕属植物.研究结果为福建省榕属植物的分类提供可借鉴的资料.     

一种分地区、行业平均工资的聚类分析方法

平均工资是企业平均盈利程度及行业发展程度的体现,更是居民收入水平的客观描述.论文通过不同地区、不同行业的平均工资的聚类分析,对经济发展不平衡及居民收入分配差距较大问题进行定量的实证分析.     

中国各地区吸纳就业能力的综合评价与分析

针对不同地区实际情况和就业形势,建立了吸纳就业能力的评价指标体系,运用因子分析和聚类分析方法,对中国大陆31个省级地区吸纳就业能力进行综合评价、排名与分类,加深了对各地区吸纳就业能力差异性的明确认识。提出了有差别地进行区域化控制等增强地区吸纳就业能力的建议。     

基于双层规划和K-Harmonic means聚类分析的学校选址研究

学校选址是教育投资的首要环节,依据义务教育的强制性、免费性、普及性和均衡性等特点,建立了学校选址问题的整数线性双层规划模型(ILBP)和无容量限制的单层模型(UFLP).运用K-Harmonic means聚类分析方法对UFLP中的交通费用进行重新构建,并通过较大规模的数值实验验证了该方法的优越性.     

山东省区域经济综合评价

根据2012年的《山东省统计年鉴》,采用主成分聚类分析法对山东省区域经济的发展现况作分析与评价。结果表明:山东省17个地区可分为五类,其中青岛作为龙头老大,是全省经济实力最强的城市,也是最具活力的城市。评价结果和山东省经济现状相符。     

K-Dmeans算法应用研究

随着现代企业的信息化快速发展,信息系统产生的数据量日益增大,从大量的数据中提取有用信息并非易事。K-Dmeans算法是基于K-Means的分布式聚类算法,本文利用K-Means算法生成解决数据高维性及其传递数量大的问题。