一种分布式的模糊聚类方法

由于FCM算法中的初始值需要随机的设定,这种随机性不能保证每次都能达到全局最优,也就是说如果初始聚类中心的设置具有全局的特点,那么聚类的结果才能达到全局最优。因此主要针对模糊c-均值（FCM）聚类算法对初始值很敏感,而且容易陷入局部最优解的这一特点,提出了一种分布式的模糊聚类方法。首先用分治法得到模糊聚类的全局的聚类中心值,然后再用FCM进行聚类,从而克服FCM算法对初始值敏感和容易陷入局部最优解的缺陷,达到全局最优。经仿真实验证明结果是很理想的。     

一种改进的基于加权属性的SLOF离群点挖掘算法

SLOF算法采用了空间对象的空间属性和空间关系确定空间邻域,并结合非空间属性的权值来计算对象在其邻域内的离群度,但在计算属性权值时,仍然由邻域专家决定,存在人为因素。文中采用计算每个对象的每个非空间属性的去一划分信息熵增量,并通过这个值来反映各个属性对对象离群的贡献程度,给出一种改进的SLOF算法。实验结果表明,算法具有计算效率高和对用户依赖性小的优点。     

纵向数据线性混合模型中M估计的渐近正态性

对纵向数据的线性混合模型yk=Xkβ＋Ckτk＋ek用Fisher得分迭代法得到了参数的M估计（稳健估计）,并在一系列的正则条件下,证明了参数M估计的渐近性质．     

国际医学教育认证的发展与现状

医学教育认证作为医学教育质量的外部审核机制,其理念和做法已得到广泛认同。国际社会通过加强国际和区域间合作、建立和完善国家级认证体系、召开国际性论坛和研讨会、提供认证相关的培训项目、建立全球性的信息数据库等一系列举措,着力推进认证工作的规范开展。由于不同国家和地区在认识、资源和政策导向等方面的差异,全球医学教育认证制度和体系仍然呈现多元化的格局,认证效果也受到政治因素的影响和政策的制约,有待进一步规范。     

“以结果为基础”的教育在医学教育中的应用——美国威斯康星大学成功应用ACGME能力模型的经验和启示

本文在以结果为基础的教育理念基础上,介绍了美国医学研究生教育认证委员会提出的医学生及医师能力模型,总结了威斯康星大学医学院应用上述模型的成功经验。本研究认为制定严谨而完善的医学生及医师能力标准、针对不同阶段医学生细化操作要求、实施多样化的评估手段是影响以结果为基础的教育在我国医学教育中实施的重要因素。     

多种因素交互影响农村儿童阅读能力的数据挖掘研究

[目的/意义]通过数据挖掘算法,揭示各种因素的内在交互性对农村儿童阅读能力的影响。[方法/过程]利用基于Apriori算法的关联规则挖掘方法和可视化技术,对广东省粤西方言区农村儿童的阅读现状进行了定量化分析。[结果/结论]网络流量费高、受方言影响、家长不鼓励、缺少亲子阅读机会等因素交互作用是导致农村儿童对阅读不感兴趣的主要原因。留守儿童在受家长鼓励、亲子阅读、阅读兴趣以及信息获取能力等方面的支持度显著低于非留守儿童,并且阅读兴趣更容易受方言和农忙因素的影响。农村儿童阅读能力低下是网络信息的获取能力、留守及农忙状态、方言影响等多种因素共同作用的结果。     

Predicting future dynamics from short-term time series using an Anticipated Learning Machine

Predicting time series has significant practical applications over different disciplines. Here, we propose an Anticipated Learning Machine (ALM) to achieve precise future-state predictions based on short-term but high-dimensional data. From non-linear dynamical systems theory, we show that ALM can transform recent correlation/spatial information of high-dimensional variables into future dynamical/temporal information of any target variable, thereby overcoming the small-sample problem and achieving multistep-ahead predictions. Since the training samples generated from high-dimensional data also include information of the unknown future values of the target variable, it is called anticipated learning. Extensive experiments on real-world data demonstrate significantly superior performances of ALM over all of the existing 12 methods. In contrast to traditional statistics-based machine learning, ALM is based on non-linear dynamics, thus opening a new way for dynamics-based machine learning.     

从贾氏四姐妹的不幸婚姻看红楼悲剧

曹雪芹以贾家四姐妹的不幸婚姻贯穿《红楼梦》全书,给我们描绘了一个封建大家族的红楼悲剧。“三春去后诸芳尽,各自须寻各自门”,大观园女儿国从此结束了它的黄金时代,真乃是“千红一哭,万艳同悲”。文中从四个小姐的不幸婚姻结局来探讨红楼悲剧:元春寂寞深宫、迎春身陷狼窝、探春无奈远嫁、惜春最终为尼。     

从大数据特征看档案界对于档案大数据认知的误区

本文认为档案数据不具备多维度、完整性和实时性,将大量档案数据称之为档案大数据是不准确的,甚至是错误的.大数据时代,档案数据不能缺位,要使档案数据成为真正意义上的大数据,就应改变不能适应时代的固有模式与方法,积极主动融合到社会大数据之中.     

试论况周颐及其词

况周颐的生卒年,通行的说法是生于清咸丰九年(1859),卒于民国十五年(1926),享年六十八。本文认为应是生于清咸丰十一年(1861),卒于民国十五年,实足年龄应是六十六。“享年六十八”的说法是据上海虚两岁的计算法。况周颐的一生可分为三个时期：由四川入京前为第一时期,这个时期他是目空一切的。入京以后到辛亥革命为第二时期,这个时期是他做官、任教时期。辛亥革命后在上海的遗老生活时期是第三时期。况周颐是尊崇词体的,他论词的审美原则是：(一)襟抱;(二)重、拙、大——“重”和“大”之间有区别,但基本内涵都是一个“真”字,因此,王鹏运、况周颐都常把“重”、“大”联用。“拙”是指创作方法;(三)守律。况周颐词作途程极长,所以不完全符合他逐步形成的论词主张,但和他的生活途程却是紧密相连的。据其《餐樱词自序》所云,可分为三个时期：同治十一年(1872)至光绪十三年(1887)为第一期。这时期的词作多为“少年兴会”或“为赋新词强说愁”之类。光绪十四年(1888)二月入都至辛亥革命后到上海之前为第二期。这时期的词主要是从不同角度表达其爱国之情。况氏说他这时期的词“笔力千钧,百炼钢化为绕指柔,极词家明转之说。与早岁所作又不相侔矣。”宣统三年至上海到民国十五年逝世为第三期。这时期词主要是写沦落之感、沧桑之悲、故国之思。充分表现了晚清遗老的思想感情。词风委婉缠绵。况周颐词小令近淮海、小山,长调类清真、梅溪。有着深深的个人和时代的印记,和清代其他许多词人不一样, 在清代词史上有着不同一般的地位。