材料物理领域的探路者

徐庭栋教授1944年生于北京。1968年毕业于北京科技大学金属物理专业，1983年研究生毕业于该校，获硕士学位。1983年至1993年曾任教于武汉科技大学，讲师、副教授。1990年至1993年获洪堡奖学金，德国马普研究院斯图加特金属所访问教授，同期获英国皇家学会奖学金，去英国拉夫保大学从事合作研究。1993年回国在钢铁研究总院任教授、博士生导师。徐庭栋长期从事非平衡晶界偏聚和晶间脆性断裂研究，     

基于知识简洁度的粗集聚类方法

提出了基于知识简洁度的粗集聚类方法。首先计算对象集合在每个属性下的划分 ;然后在对初始划分进行合并时 ,引进了不可分辨度的概念 ,考虑了其他属性的影响 ,同时避免了两个对象之间取值相近的度量问题 ;在形成最终聚类结果时 ,引进了知识简洁度的定义 ,使得最终的聚类结果科学合理     

基于单链接聚类过滤法的均值方差模型

为了消除由于估计收益率数据的时间序列的有限性而导致马克威茨均值-方差模型的统计不确定性,采用基于单链接聚类过滤法的均值-方差修正模型.选取上证50成分股2004~2007年的日数据,对修正前后的模型进行了实证对比分析发现:(1)修正后模型投资组合的可靠性系数比修正前模型的平均低0.067;(2)修正后模型投资组合估计风险和预测风险分别比修正前模型投资组合平均低0.096和3.329;(3)修正前模型投资组合的有效大小比修正后模型投资组合小0.0321,表明其风险分散程度更低.这在某种程度上表明:修正后模型要优于修正前模型的投资组合.     

数据流聚类算法分析

数据流作为一种新的数据对象,近年来成为了数据挖掘领域的研究热点问题,具有很大的应用前景。文章首先比较了数据流聚类分析和传统的聚类分析的一些不同点,然后对目前几个典型的数据流研究成果进行了分析,最后对数据流的进一步研究方向进行了展望。     

一种基于聚类的云计算任务调度算法

任务调度是云计算中的一个关键问题.针对 Min-Min 算法负载不平衡的缺点,引入 K-means 聚类,提出一种基于 K-means 聚类和 Min-Min 的云计算任务调度的新算法.该算法采用 K-means 聚类方法依据任务长度对任务聚类进行预处理,然后根据 Min-Min 算法的机制进行任务调度.仿真结果表明,该算法具有较好的负载均衡性和系统性能.     

伴随模式在反恐情报同步轨迹数据分析中的应用研究

[目的/意义]对反恐情报中的时空轨迹数据进行伴随模式挖掘,可以发现涉恐群体的同时间段动态空间位置移动规律。[方法/过程]根据反恐情报数据的特点,修改经典伴随模式挖掘方法中的相似度度量方式和聚类方式,不断迭代完成"聚类和取交集"操作,将满足条件的涉恐活动时空轨迹伴随模式导出。[结果/结论]该方法能够挖掘涉恐群体的同步移动路径,定位重点活动地点,分析涉恐人员之间的亲近度,为打击暴恐活动提供数据参考。     

基于文本聚类与LDA相融合的微博主题检索模型研究

伴随着微博的日趋流行,对微博信息的检索逐渐成为人们获取第一消息的手段.其中文本聚类和主题发现是信息检索领域的有效方法,采用适当的方法是影响微博短文本信息检索质量的关键因素.文章针对文本聚类和LDA主题模型的互补特征,综合考虑了微博特殊文体和短文本聚类效率问题,提出了基于频繁词集的文本聚类和基于类簇的LDA主题挖掘相融合的微博检索方法,给出了针对微博文体的一种新的主题检索模型.实验表明,该方法不仅能有效地划分微博文本,并且能清晰地挖掘类簇中潜在主题.     

基于SOM神经网络的品牌丑闻微博传播分类预测研究*

作为重要的社会化媒体,微博凭借其社会性、媒体性、广泛参与性和快速传播4大特性已成为网络舆论的主要载体。针对品牌丑闻事件在微博上的传播进行研究,选取了29个近年来在微博上有明显传播特征的品牌丑闻事件作样本,以两小时为间隔搜集事件爆出后的一周时间内的微博博文数量,记录丑闻事件传播动态变化,并运用神经网络SOM模型方法对博文的数量变化进行聚类,得到微博上品牌丑闻事件传播的五种类型：对数型、缓坡型、突变型、长坡型及堤坝型,并在Matlab软件中用指数拟合的方法对数据做预测分析。企业了解丑闻事件在微博上的不同传播类型及各自的特点,对于其在快速预测和有效应对丑闻事件以及品牌危机时,具有很好的参考和借鉴价值。