判别和聚类方法在针灸临床数据分析中的应用研究
这是一篇关于数据分析,判别分析,聚类分析,中医针灸,SSH框架的论文, 主要内容为中国传统医学承载着中华民族长久以来的医学经验与理论知识,是中华民族传统医学瑰宝。如何利用现代的数据分析方法挖掘针灸临床治疗的内在规律和相关经验知识,为针灸临床治疗方法的科学性和理论提供辅助分析的依据,是一个非常值得探索、研究和分析的领域。 本文运用判别分析和聚类分析方法对针灸临床数据进行分析方法的研究与应用。基于Java EE软件框架、B/S构架模式和数据库3NF标准设计与实现了中医针灸信息库系统,为针灸临床数据的科学分析研究提供了两种统计分析算法及其分析结果的展现平台。本文的主要研究内容与创新点概述如下： 1)判别分析方法的应用研究。通过分析文献描述的针灸治疗案例,设计了一种疗效等级分类规则。通过判别分析算法建立判别规则,从而能将文献描述的针灸治疗样本进行判别分类且赋予不同的综合疗效等级,包括穴位以及疗法的疗效等级。 2)聚类分析方法的应用研究。提出一种结合针灸取穴差异和综合疗效等级差异的欧氏距离,根据临床样本数据穴位字段的相似度将样本集数据进行分类,通过设计和编程实现聚类分析算法把临床样本数据分为相近同质样本的类别。 3)设计与实现了中医针灸信息库系统及分析功能。该系统具备对文献资源、医学资源、用户资源和电子书资源进行检索与管理的应用功能。通过菜单选择和参数设置,能够方便地对存储的针灸治疗样本进行统计分析和展现分析结果。 本文的研究成果是在上海市针灸经络研究所研究人员的大力协作和提供针灸临床治疗大样本数据的背景下,经研究、设计和编程实践后获得。本文给出了判别和聚类分析在针灸临床治疗样本数据分析中的应用方法,分析效果很好。目前类似的研究成果仍鲜有报道。
基于混合推荐的高考志愿推荐系统的设计与实现
这是一篇关于高考志愿推荐,混合推荐模型,聚类分析,灰色预测理论的论文, 主要内容为“高考难,填报更难”一直是每一个高考家庭面临的重大问题。繁多的院校和专业信息、每年高考政策的改革以及各院校招生计划的变动让高考志愿的填报困难重重。如何从如此繁杂且庞大的信息中提取出符合考生个人情况的相关信息是亟待解决的问题。随着互联网技术的日新月异,推荐技术也得到了巨大的发展。本文针对高考志愿填报中难以选择合适院校和专业的问题,设计并实现了基于混合推荐的高考志愿推荐系统。本文主要研究工作如下:(1)本文通过灰色预测理论中的GM(1,1)预测模型和Verhulst预测模型对录取分数线进行预测,采用后验差法对预测结果进行检验并择优选择作为最终的录取分数线预测值。本文以2756所院校2017-2020年在内蒙古自治区的理科录取分数线为输入进行了测试,测试结果显示,97.16%的院校2021年预测录取分数线与实际录取分数线误差值在10以内。(2)本文以霍兰德职业兴趣测试和迈尔斯-布里格斯性格分类指标的测试结果为输入,通过基于内容推荐和基于用户协同过滤的混合推荐算法完成对考生的专业推荐。本文采用归一化折损累计增益对推荐结果进行评估,结果显示,混合推荐算法的推荐效果优于基于内容的推荐算法和基于用户的协同过滤算法,且混合推荐模型采用TOP-15的方式进行推荐。(3)本文采用K-means++算法对各院校预测录取分数线进行聚类分析并最终实现对考生的院校推荐。本文使用轮廓系数对聚类效果进行评估,评估结果显示,当聚类数为6时,K-means++算法聚类效果最佳。(4)本文采用了vue、Spring Boot等技术完成了高考志愿推荐系统的开发,最终实现了六个功能,包括录取分数线预测功能、专业推荐功能、院校推荐功能、个人信息管理功能、数据查询功能和数据管理功能。在完成开发工作后,本文对高考志愿推荐系统进行了系统性测试并对测试结果进行分析。目前,高考志愿推荐系统已在内蒙古易高教育科技有限公司测试运行,为多名考生的高考志愿填报工作提供了有力支持。
面向符号数据的符号关系图构建与聚类分析
这是一篇关于聚类分析,符号数据聚类,相似性度量,关系图,聚类集成的论文, 主要内容为聚类分析是机器学习的一个重要分支领域,其本身具有无监督性和数据驱动性。目前,聚类分析的研究在数值型数据方面已经取得了很大的研究成果,但在现实世界中,仍然存在着大量的符号数据。由于这些符号数据缺少固有的几何属性,不能通过数据点间的数值差异性构造距离作为相似性度量,因此一些经典的聚类算法不能满足此类型数据需求。近年来,符号数据聚类方法已经成为一个重要的研究领域,在零售业、知识图谱、生物信息学等领域都有大量的应用。本文对符号数据聚类在大数据环境下运行速度慢、计算成本高以及对于聚类集成中存在两个特征空间等问题进行了深入的探究。本文的主要研究成果有:(1)本文提出一种基于符号关系图的快速符号数据聚类算法。该算法通过建立符号之间的关系图用符号关系图替代原始数据,缩小数据集规模。然后使用具有代表性的图分割算法对符号关系图进行分割。最后根据不同符号对一个样本的划分找到概率最大的类标签作为类的划分。在大量的数据集上将该算法与其它算法进行了比较,证明了所提出算法的有效性。(2)本文提出一种基于符号关系图的快速聚类集成算法。该算法通过构建基聚类关系图,将基聚类划分的各个类的类中心对应到原数据集上,再计算彼此之间的欧式距离作为基聚类关系图的相似性权值,有效地解决了存在两个特征空间的问题。通过大量的实验分析展示了新算法相比其它算法是有效的。(3)设计并开发了一个符号数据聚类分析系统。该系统包括三个功能:数据生成或导入、算法选择和结果展示功能。系统集成了现有的符号数据聚类算法和一种基于符号关系图的快速符号数据聚类算法,对不同的数据集进行测试,具有良好的适用性。本文的研究成果丰富了符号数据聚类方面的研究,为符号数据提供了有效的技术支持。
基于混合推荐的高考志愿推荐系统的设计与实现
这是一篇关于高考志愿推荐,混合推荐模型,聚类分析,灰色预测理论的论文, 主要内容为“高考难,填报更难”一直是每一个高考家庭面临的重大问题。繁多的院校和专业信息、每年高考政策的改革以及各院校招生计划的变动让高考志愿的填报困难重重。如何从如此繁杂且庞大的信息中提取出符合考生个人情况的相关信息是亟待解决的问题。随着互联网技术的日新月异,推荐技术也得到了巨大的发展。本文针对高考志愿填报中难以选择合适院校和专业的问题,设计并实现了基于混合推荐的高考志愿推荐系统。本文主要研究工作如下:(1)本文通过灰色预测理论中的GM(1,1)预测模型和Verhulst预测模型对录取分数线进行预测,采用后验差法对预测结果进行检验并择优选择作为最终的录取分数线预测值。本文以2756所院校2017-2020年在内蒙古自治区的理科录取分数线为输入进行了测试,测试结果显示,97.16%的院校2021年预测录取分数线与实际录取分数线误差值在10以内。(2)本文以霍兰德职业兴趣测试和迈尔斯-布里格斯性格分类指标的测试结果为输入,通过基于内容推荐和基于用户协同过滤的混合推荐算法完成对考生的专业推荐。本文采用归一化折损累计增益对推荐结果进行评估,结果显示,混合推荐算法的推荐效果优于基于内容的推荐算法和基于用户的协同过滤算法,且混合推荐模型采用TOP-15的方式进行推荐。(3)本文采用K-means++算法对各院校预测录取分数线进行聚类分析并最终实现对考生的院校推荐。本文使用轮廓系数对聚类效果进行评估,评估结果显示,当聚类数为6时,K-means++算法聚类效果最佳。(4)本文采用了vue、Spring Boot等技术完成了高考志愿推荐系统的开发,最终实现了六个功能,包括录取分数线预测功能、专业推荐功能、院校推荐功能、个人信息管理功能、数据查询功能和数据管理功能。在完成开发工作后,本文对高考志愿推荐系统进行了系统性测试并对测试结果进行分析。目前,高考志愿推荐系统已在内蒙古易高教育科技有限公司测试运行,为多名考生的高考志愿填报工作提供了有力支持。
电子商务推荐系统中协同过滤算法的改进与研究
这是一篇关于电子商务推荐系统,协同过滤,聚类分析,信任模型,回归分析的论文, 主要内容为近些年来，互联网迅猛发展，电子商务保持着持续增加的趋势，信息在不断的膨胀甚至于过载，正是因此电子商务面临着巨大的挑战。为了解决这一难题，电子商务推荐系统应运而生，电子商务推荐系统可以帮助用户快速的定位到自己喜欢的商品。协同过滤技术是目前发展最为迅速的的一种个性化推荐技术，但传统协同过滤本身的算法本身具有局限性，存在“稀疏性”问题、“冷启动”问题和“可扩展性”问题等，针对电子商务推荐系统中通常采用的协同过滤推荐算法的不足，本文提出了一种改进的协同过滤组合推荐算法。 本文首先引入聚类分析，在聚类分析的模型中，只将目标用户或项目在由聚类产生的搜索空间进行搜索，而不必在整个数据空间中进行，这样缩小了搜索范围，提高了搜索效率，有效提高了系统的实时响应速度，这就是我们引入聚类分析对数据集进行预处理的原因。 本文引入了信任模型，利用回归分析法将由用户-项目评分矩阵产生的相似度矩阵与由用户-用户信任评分矩阵产生的信任度矩阵相结合，作为进行最近邻搜索的新的标准，提高了推荐的准确性，从而为目标用户提供更好的推荐结果。 本文以传统的协同过滤推荐算法为基础，引入聚类分析与信任模型成为一种新的协同过滤组合推荐算法，该推荐算法能够有效改善或克服传统协同过滤技术中出现的问题，从而提供系统的准确性。本文并对该算法进行了设计，并进行了对比实验，经过实验表明，该算法能够降低预测的用户评分与实际的用户评分之间的平均绝对偏差，提高系统的推荐质量。
大学生用能行为对宿舍建筑能耗影响研究——以江南大学为例
这是一篇关于使用者用能行为,基于智能体建模,聚类分析的论文, 主要内容为为贯彻落实碳达峰碳中和工作,教育部印发《绿色低碳发展国民教育体系建设实施方案》,提出将绿色低碳发展纳入国民教育体系,推动校园绿色发展提质增效、转型升级。建筑能耗除了受建筑本身结构性能影响外,还与使用者用能行为有着十分紧密的联系。本文以校园中的宿舍建筑为例,探究使用者用能行为对建筑能耗的影响,为用能行为研究提供参考。首先,在国内外文献研究基础上,以用能行为对建筑能耗影响研究为主题开展研究。基于DNAs理论对宿舍建筑使用者开展问卷调查,对使用者用能行为特征及用能行为差异表现进行分析,总结使用者用能习惯。用能行为的调查主要包括使用者在室情况、开关窗行为、窗帘使用行为、照明控制行为和空调使用行为。其次,依托校园能耗监管平台,收集宿舍建筑实际用能数据,基于My SQL数据库管理平台,依照数据库设计流程及步骤建立宿舍建筑实际用能数据库。通过SQL语言进行实际用能数据的查询、筛选等操作,分析建筑实际用能情况。结果表明,空调期耗电量变化幅度较大,宿舍平均每日电耗为4.14k W·h,非空调期宿舍平均每日电耗为1.71k W·h。采用聚类分析方法,以宿舍能耗值对使用者进行划分,划分为节约型使用者、普通型使用者及奢侈型使用者,并探究建筑能耗使用的相似情况。最后,梳理系统中各类主体的属性及行为规则,包括模型主体、照明、设备、空调四个部分。利用Any Logic仿真平台,采用Java面向对象的编程语言,以基于智能体建模方法构建宿舍建筑典型用能行为模型,模拟实际主体的属性、行为与交互规则。对模型的逻辑合理性进行模型校核,保证模型有效运行;对模型的输出有效性进行验证,确定输出结果与实际领域预期情况的匹配程度。使用模型进行供暖期宿舍能耗的仿真模拟,对比实际日均能耗值4.94k W·h/天,模拟的日均能耗值为5.02k W·h/天。模拟标准偏差小于实际标准偏差,表明实际情况下的用能行为更具有随机性,仿真模拟的用能情况具有较强的稳定性。结合实际研究需求,调整模型中的相关参数并重复多次运行模型,对模型输出结果进行数理统计分析,揭示使用者用能行为对建筑能耗的影响。其中,节约型使用者和普通型使用者的用能模式相对于奢侈型使用者的用能模式分别可节约77.9%和43.2%的能耗。各类用能行为变化中,空调的设定温度变化及空调使用时长的变化对建筑能耗的影响最明显。综上所述,本文基于理论分析、问卷调研结果、实际用能情况和聚类分析结果,识别使用者用能属性、行为等要素,遵循基于智能体建模方法,建立宿舍建筑典型用能行为模型,实现使用者用能行为对建筑能耗影响的动态模拟。
政府民意调研分析系统设计与实现
这是一篇关于民意调研,聚类分析,数据库,k-means的论文, 主要内容为信息时代计算机网络技术的快速发展,人们已经在逐步脱离纯人工的劳动,逐渐使用计算机来代替人们做一些高效、快速、海量的数据挖掘和分析。政府是为人民服务的,政府颁布的政策与法令需要得到广大人民的认可,所以政府需要了解人民的意向,于是就出现了民意调查。对于一个国家的人口来说,人口基数十分庞大如果单纯依靠人力进行民意调查的审查、统计和分析,就会浪费巨大的人力与物力。以前,国家对于民意调查这方面就是采用纯人工制,往往在统计分析的过程中,会错过一部分调查,会出现一些人工不必要的错误。信息时代人们的工作方式逐渐向网络上转义,这个给予政府一个很大的契机,民意调查这些动辄上亿的数据量,全部交给计算机来做,虽然信息量巨大,但还是可以接受的。本文根据政府对于民意调查的需要,设计开发了政府民意调研分析系统。论文应用Jsp设计页面,主体部分采用JAVA设计语言,使用J2EE组件模型和SSH框架,利用JDBC连接数据库,使用最新的ORACLE 11g作为数据库。完成了用户前台模块和管理员后台模块的设计,用户前台模块又分为问卷作答子模块、历史调研问卷结果查看子模块、用户注册子模块和个人信息子模块,问卷作答子模块包括调研问卷查看、投票、IP过滤和意见填写四个部分,用户注册子模块包括信息填写和实名认证,个人信息子模块包括查看、信息修改和密码三个部分。管理员后台模块分为创建调研问卷子模块、查看调研结果子模块、根据分析子模块和用户管理子模块,查看调研结果包括正在进行的问卷结果、历史结果和数据分析结果,数据分析模块包括人员分析、职业分析、经济分析、参与度分析和意见分析,用户管理模块包括注册用户审核和临时用户分配。其中对用户前台模块在IP过滤这里使用了 RFC(RecursiveFlowClassfication)算法,通过对IP的递归过滤来实现IP过滤的安全性,管理员后台模块这里使用了 k-means算法,通过对于大数据集中的不同关键词的聚类分析,生成不同的聚集,从而为后面的数据分析做准备。政府民意调研分析系统随着信息时代的到来而诞生,是在充分研究了计算机技术的发展模式、计算机的普及度等问题之后推出的一个基于计算机的网络调研分析系统,实现了用计算机代替纯人工制,减轻了人们的工作量,加强了调研结果的处理能力,提高了调研结果的处理速度和分析速度,大大加快了调研进程,节约了大量的人力物力。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码小屋 ，原文地址：https://m.bishedaima.com/lunwen/45868.html
