基于K-means聚类算法优化方法的研究

针对传统K-means聚类中存在的一系列问题,文中提出了一种基于K-means聚类的改进算法。该算法首先利用K-means++聚类从数据中选择K个距离尽可能远的对象作为初始聚类中心,然后利用K-mediods聚类选择数据样本的中位数作为聚类中心的对象,最后与两步聚类结合。通过对几个常用UCI标准数据集进行仿真实验,结果表明该算法比传统算法更优。     

径向不耦合装药爆破效果的数值研究

为了研究径向不耦合条件下爆破效果的影响因素,利用AUTODYN-2D对比不耦合系数、不耦合介质、炸药种类对爆破效果的影响规律。结果表明,与耦合装药相比,径向不耦合装药条件下炮孔压力明显降低。对比水介质和空气介质下的爆破效果可知,水介质不耦合条件下,炸药爆炸能量的传递效率更高。炮孔压力与炸药种类密切相关,TNT产生的炮孔压力最大,但作用时间较短,而ANFO和乳化炸药的作用时间较长。     

基于Word2Vec模型特征扩展的Web搜索结果聚类性能的改进

对于用户泛化和模糊的查询，将Web搜索引擎返回的列表内容聚类处理，便于用户有效查找感兴趣的内容。由于返回的列表由称为片段（snippet）的短文本组成，而传统的单词频率-逆文档频率（TF-IDF）特征选择模型不能适用于稀疏的短文本，使得聚类性能下降。一个有效的方法就是通过一个外部的知识库对短文本进行扩展。受到基于神经网络词表示方法的启发，提出了通过词嵌入技术的Word2Vec模型对短文本扩展，即采用Word2Vec模型的TopN个最相似的单词用于对片段（snippet）的扩展，扩展文档使得TF-IDF模型特征选择得到聚类性能的提高。同时考虑到通用性单词造成的噪声引入，对扩展文档的TF-IDF矩阵进行了词频权重修正。实验在两个公开数据集ODP239和SearchSnippets上完成，将所提方法和纯snippet无扩展的方法、基于Wordnet的特征扩展方法和基于Wikipedia的特征扩展方法进行了对比。实验结果表明，所提方法在聚类性能方面优于对比方法。     

表面微溶喷涂法制备不对称结构高强度锦纶油水分离材料及其性能研究

使用奥利弗宝对平纹结构的锦纶机织布进行改性,将改性机织布一侧浸泡在质量分数不同的甲酸溶液中,使用喷涂方式把聚四氟乙烯纳米颗粒喷涂在改性机织布表面,得到一侧表面疏水疏油、另一侧表面疏水亲油的油水分离材料。使用X射线光电子能谱仪、接触角测试仪、场发射扫描电子显微镜等对纯锦纶机织布和改性锦纶机织布中元素含量、吸液性能、形貌特征进行分析和表征,并测试了材料的油水分离性能和力学性能。研究表明:当甲酸质量分数为20%时,制备的油水分离材料具有较高的分离效率,拉伸强度为138.97MPa,耐磨性更高、实用性更强,可将其应用于特殊环境的油水分离。