-
公开(公告)号：CN103699695B
公开(公告)日：2017-02-01
申请号：CN201410014995.7
申请日：2014-01-14
Applicant: 吉林大学
IPC: G06F17/30
Abstract: 基于中心法的自适应文本聚类算法是一种迭代分割聚类算法，迭代之前，算法首先初始化相关参数，然后随机将数据集分割为大小相同的一组聚簇，并计算每个聚簇的CFC向量；在此之后，算法进入迭代过程，在进入迭代过程之后，每次迭代过程包括下列主要步骤：根据每个文本和不同聚簇的CFC向量的相似度重新组织每个文本，以得到新的一组聚簇；在重新组织每个文本之后，重新计算每个非空聚簇的CFC向量；判定算法是否满足终止条件，若满足则终止，否则继续进行迭代过程；具有如下主要优点：（1）方法简单，易于实现（；2）具有自适应性。
-
公开(公告)号：CN103699695A
公开(公告)日：2014-04-02
申请号：CN201410014995.7
申请日：2014-01-14
Applicant: 吉林大学
IPC: G06F17/30
CPC classification number: G06F17/30705
Abstract: 基于中心法的自适应文本聚类算法是一种迭代分割聚类算法，迭代之前，算法首先初始化相关参数，然后随机将数据集分割为大小相同的一组聚簇，并计算每个聚簇的CFC向量；在此之后，算法进入迭代过程，在进入迭代过程之后，每次迭代过程包括下列主要步骤：根据每个文本和不同聚簇的CFC向量的相似度重新组织每个文本，以得到新的一组聚簇；在重新组织每个文本之后，重新计算每个非空聚簇的CFC向量；判定算法是否满足终止条件，若满足则终止，否则继续进行迭代过程；具有如下主要优点：（1）方法简单，易于实现；（2）具有自适应性。
-
公开(公告)号：CN103714261B
公开(公告)日：2017-02-15
申请号：CN201410014993.8
申请日：2014-01-14
Applicant: 吉林大学
IPC: G06F19/00
Abstract: 一种二阶段混合模型的智能辅助医疗决策支持方法，包括下列主要步骤：基于减聚类方法，对真实的医疗样本数据信息进行加权预处理，将非线性不可分的特征空间转化为可分的线性数据特征空间；基于高效的极限学习机模型，利用预处理得到的加权特征数据，通过数据自学习构建医疗决策支持模型；基于构建的学习模型，采用真实的医疗数据，对研究对象进行分类预测，从而实现为目标用户提供可靠高效的辅助预测支持，主要优点：(1)方法简单，易于实现，并且能产生准确度很高的预测结果；(2)该方法涉及的参数较少，且参数影响较小，即需要人为干预较少，便于操作；(3)该方法计算速度极快，效率高。
-
公开(公告)号：CN103714261A
公开(公告)日：2014-04-09
申请号：CN201410014993.8
申请日：2014-01-14
Applicant: 吉林大学
IPC: G06F19/00
Abstract: 一种二阶段混合模型的智能辅助医疗决策支持方法，包括下列主要步骤：基于减聚类方法，对真实的医疗样本数据信息进行加权预处理，将非线性不可分的特征空间转化为可分的线性数据特征空间；基于高效的极限学习机模型，利用预处理得到的加权特征数据，通过数据自学习构建医疗决策支持模型；基于构建的学习模型，采用真实的医疗数据，对研究对象进行分类预测，从而实现为目标用户提供可靠高效的辅助预测支持，主要优点：(1)方法简单，易于实现，并且能产生准确度很高的预测结果；(2)该方法涉及的参数较少，且参数影响较小，即需要人为干预较少，便于操作；(3)该方法计算速度极快，效率高。
-
-
-
Search Results
4
records
(took 0.012 seconds)
