基于一卡通在线支付平台的校园移动支付设计

针对校园一卡通系统容易出现卡库不平、到账不实时、开放性差等问题,结合高校师生对于线上支付和移动支付的迫切需求,提出一套以在线支付平台为基础、合并电子账户和卡账户、实体卡消费和虚拟卡消费并存的校园移动支付解决方案。建立基于云架构的在线支付平台,设计支付二维码、手机扫码消费流程、在线支付流程和支付接口,实现移动、智能、开放的校园卡在线支付服务。     

一种基于k近邻的密度峰值聚类算法

密度峰值聚类算法(DPC算法)虽然具有简单高效的优点,但存在着需要人为确定截断距离的不足,从而造成聚类结果出现不准确。为解决这一问题,本文提出了一种基于K近邻的改进算法。该算法引入信息熵,采用属性加权的距离公式进行聚类,这样就解决了不同属性的权重影响问题;在聚类过程中通过计算数据点的近邻密度,再利用KNN近邻算法实现自动求解截断距离,据此得到聚类中心再进行聚类,通过实验证明,该算法在准确性、运行效率上均有不同程度的提升。     

基于RESTFUL的学术资源发布平台

利用具有表述性状态转移（REsT）的Web服务，设计一种面向资源的学术讲座信息服务。将学术讲座标准信息作为服务接口，采用REST技术，以资源形式对外公开，从而实现信息共享和功能互操作。     

一种基于密度的k-means聚类算法

针对k-means算法中对初始聚类中心和孤立点敏感的缺点,提出一种基于密度的改进k-means算法.该算法引入信息熵和加权距离,从近邻密度出发,去除孤立点对算法的影响,同时确定初始聚类中心,使得聚类中心相对稳定.实验表明,该算法在准确性、运行效率上均有10%以上的提升.     

基于数据抽样的自动k-means聚类算法

为了解决传统k-means算法需要输入k值和在超大规模数据集进行聚类的问题,这里在前人研究基础上,首先在计算距离时引入信息熵,在超大规模数据集采用数据抽样,抽取最优样本数个样本进行聚类,在抽样数据聚类的基础上进行有效性指标的验证,并且获得算法所需要的k值,然后利用引入信息熵的距离公式再在超大数据集上进行聚类。实验表明,该算法解决了传统k-means算法输入k值的缺陷,通过数据抽样在不影响数据聚类质量的前题下自动获取超大数据集聚类的k值。