地信1001年終工作總結(jié)

地信1001班年終工作總結(jié)

時光飛逝，轉(zhuǎn)眼間大一一年的學(xué)習(xí)生活已經(jīng)告一段落，我們從剛開始的懵懂到現(xiàn)在變得逐漸成熟。在這一年中，我們在輔導(dǎo)員曹老師的指導(dǎo)下，積極開展班級工作建設(shè)，并根據(jù)本班同學(xué)的優(yōu)點與愛好，開展一些班級活動，并且要求大家在玩的同時努力學(xué)習(xí)。其間，有一定的成果，但是同時也存在許多不足，現(xiàn)總結(jié)如下：

一．積極開展學(xué)習(xí)活動，提高同學(xué)們學(xué)習(xí)興趣。

1.本學(xué)期中，班委時常提醒同學(xué)們勿荒費學(xué)業(yè)，號召同學(xué)們發(fā)揚刻苦學(xué)習(xí)的精神，營造良好的學(xué)習(xí)氛圍，期間，組織過幾次班級的自測，這方面主要有學(xué)習(xí)委員孫勇福來負責(zé)，他盡了自己最大的努力，效果還不錯。

2.班長于開班會時表彰一些學(xué)習(xí)比較優(yōu)異的同學(xué)，樹立了學(xué)習(xí)標兵和榜樣，這對提高大家的學(xué)習(xí)動力會有一定的幫助。

3.代班經(jīng)常為同學(xué)們解決各種學(xué)習(xí)上的困難，并組織一些學(xué)習(xí)的時間為同學(xué)們指導(dǎo)專業(yè)課知識，如在每周抽時間為大家講解C++知識，大家感覺效果良好，都贊成把這種好的方法繼續(xù)下去。二．積極開展班級建設(shè)，特別是班級思想作風(fēng)建設(shè)和班委建設(shè)。1.對平時喜歡逃課的同學(xué)，班委成員及時的提醒，并經(jīng)常郁思想波動較大的同學(xué)談心交流，這方面工作主要由心理委員張艷來負責(zé)，她完成的比較好。

2.第二學(xué)期初就建立了班級QQ群和飛信群，便于及時傳達信息，對于接收不到的同學(xué)，同時其他方式通知，保證每個同學(xué)及時收到學(xué)院的通知。

3.地信一班的班委成員與兄弟班級負責(zé)人經(jīng)常溝通，學(xué)習(xí)經(jīng)驗，取彼之長，補己之短，促進了團支部班委會更好的發(fā)展，這方面，團知識宋勤和組織委員李晨昕工作做得不錯。三．各種活動加強同學(xué)之間的友誼和班級凝聚力。

1.積極參加學(xué)校體育節(jié)活動。在今年的體育節(jié)上，我們班運動員參加人數(shù)是最多的，雖然最后由于少寫了通訊稿的原因，沒有獲得精神文明班級，但捫心自問，我們的精神世界是飽滿而充實的，體育節(jié)給了大家展示團結(jié)，樹立班風(fēng)的機會。特別是作為運動員的同學(xué)，在比賽中互相勉勵，共同進步，是我深為感動。大家平日里能聚在一起的機會并不多，這樣一起參加活動的機會更是少之又少，但我看到了團結(jié)，看到了大家的凝聚精神。

2.三人制籃球賽。第二次參加三人制籃球賽，以唐榮博為首的運動員們做了充分的準備。在去年的三人制籃球賽中，我們與測繪四班強強聯(lián)手，最終拿到了第一的桂冠，而這次，大家更是躊躇滿志，力爭第一。但是比賽遇到了高年級的強隊，出師不利，在接下來的幾場比賽中，幾次重大的失誤將我們班推向了決賽資格的邊緣。最后一場，大家30分鐘竭力打拼，最終以微弱的劣勢惜敗。遺憾之余，我又深感欣慰，有這么一群敢想敢干，青春洋溢的青年，我們一定能做出成績。3.建黨70周年大合唱。今年的大合唱參加人數(shù)甚少，甚至沒法湊成一個合唱隊，一方面大家慢慢對活動失去了新鮮感，另一方面，感覺學(xué)院的宣傳力度不到位。最后，曹老師做了思想工作，我們還是參加了大合唱，畢竟，作為測繪學(xué)院的一分子，我們該為學(xué)院盡一份力。4.同學(xué)們積極參加了各種社團活動，包括三農(nóng)學(xué)社，數(shù)學(xué)建模協(xié)會等，既豐富了課余生活，有提高了綜合素質(zhì)。

5.期中的時候，我們組織了自己的農(nóng)家樂之行，大家在一起包餃子，談天說地，增進了感情，豐富了課余的生活。

四．實習(xí)鍛煉了大家。為期16天的實習(xí)可以說是上學(xué)期留下最深刻印象的活動。作為剛學(xué)習(xí)專業(yè)課不久的“新兵蛋子”，去參加大型的野外實習(xí)就注定了這會是一場艱苦的“旅行”。

我們由全老師帶領(lǐng)，在藍田縣湯峪鎮(zhèn)進行了野外實際測圖。由于專業(yè)課學(xué)習(xí)得不扎實，開始的時候，大家都是摸著石頭過河，一邊嘗試，一邊積累經(jīng)驗。頂著紅熱的太陽，站在沒有一棵可以遮蔽的樹的玉米地里，我們真正切身體會了測繪工作者的艱辛。

因為一個小小的失誤，我們一條導(dǎo)線返測了4次，后來我們學(xué)到了嚴謹。

因為小小的偷懶導(dǎo)致閉合差超限，我們又重測過一次，后來我們學(xué)會了負責(zé)。

因為各人技術(shù)差異的問題，我們的進度很慢，后來發(fā)現(xiàn)問題，改進，我們學(xué)會了合作。

因為和老師溝通的不夠，結(jié)果領(lǐng)到了錯誤的任務(wù)，我們白干了兩天，后來，我們學(xué)會了溝通。

因為各人的脾氣不同，我們有了一些小摩擦，后來溝通，解決問題，我們學(xué)會了寬容。

......

實習(xí)留給我們太多的回憶，教會了我們很多，它將會給我們以后從事其他職業(yè)奠定一個基礎(chǔ)。

我的一點想法：

這一年多來，作為班長，我學(xué)到了很多東西，尤其是在與人打交道這方面獲益匪淺。班級的同學(xué)來自五湖四海，各自的家庭也不十分相同，所以交流上有時會存在“理解上的偏差”。這就要求我面對不同的對象，要采取最合適的方式來溝通，了解他們。也只有了解了底下所有同學(xué)們的想法，才能恰當(dāng)?shù)拈_展班級工作組織和管理班級。從這個角度來看，我認為自己額表現(xiàn)是合格的，雖然我有時會有像老師說的處理問題比較不強硬，但我基本上做到了和每位同學(xué)保持好關(guān)系，并作出友善的姿態(tài)傾聽他們的意見，完成了老師和學(xué)院的任務(wù)。

我的另一大收獲就是學(xué)到了不少關(guān)于組織活動的經(jīng)驗。一年中各種文藝活動都需要動員同學(xué)們?nèi)�參加，除此之外的一些演出活動也給了一些鍛煉。經(jīng)過一年多的工作，我現(xiàn)在與以前最大的不同就是：我樂于去做一個組織者，積極參與到管理和組織活動中。

這一年多的時間里，班級的氣氛是融洽的，沒有發(fā)生什么打架之類的事件，并且大家平時在班會上的踴躍發(fā)言可以佐證。但是另一方面，我認為在某些方面我的管理工作不夠嚴格，尤其日常生活中沒有使得大家的平時表現(xiàn)得到量化的評價，我沒有做好各個班委的協(xié)調(diào)工作，這是還需改進的地方。

從我的本職工作來講，這一年中，我們既看到了新的希望，也看到了不好的苗頭，首先我從日常生活中看到，越來越多的同學(xué)對學(xué)習(xí)的精力投入要更大一些。他們不僅僅認真學(xué)習(xí)課堂知識，還充分利用圖書館、方便的互聯(lián)網(wǎng)等資源來補充完善自己的知識體系。我想在這學(xué)期期末的評比中，我們地信1001班還是一支有競爭力的隊伍！但在看到好的一面的同時也不能忽視暴露出的問題。我認為現(xiàn)在有一批同學(xué)的學(xué)習(xí)態(tài)度錯位嚴重：平時不上課，期末天天通宵，60分萬歲。在這樣一個競爭激烈的年代，60分的成績能干什么？對于這種現(xiàn)象我的認識：這些同學(xué)還比較幼稚，沒有開化。但是說服教育的工作不能由我們班委會來做，我認為應(yīng)該有輔導(dǎo)員您來進行一些勸說工作，講講道理。幫助他們認清現(xiàn)實。

另一個不容樂觀的問題就是：大家對學(xué)校安排的活動抵觸情緒比較嚴重，很多時候，同學(xué)們需要經(jīng)過較長時間的說服才愿意去參加活動。這個問題我認為主要是兩個方面造成的：一方面，是我們班委會教育工作做的不夠好，沒有充分的提倡教育奉獻的精神。另一方面：學(xué)校在安排某些活動時欠考慮，導(dǎo)致活動的進程和事前宣傳的不一致，進而破壞了學(xué)生們各自的生活安排，產(chǎn)生抵觸情緒。這個問題我想采取的方法是：自愿優(yōu)先，分組輪流：即如果有人愿意主動的參與到活動中，我們鼓掌歡迎，但是如果自愿者數(shù)量不足，那采取分組輪流制：即按學(xué)號或者其他方式，輪流代表班級參加活動。

這些就是我的一點心得體會，說永遠比做容易，我們現(xiàn)在要做的，及時腳踏實地，一步一個腳印的走下去。

測繪科學(xué)與技術(shù)學(xué)院地理信息系統(tǒng)1001班委會

擴展閱讀：信研1001班師敏104972102821

武漢理工大學(xué)模式識別導(dǎo)論

題目：模式識別綜述完成人：師敏班級：1001班專業(yè)：電路與系統(tǒng)學(xué)制：2.5年學(xué)號：104972102821

模式識別綜述

摘要：本文主要介紹了模式識別中常用的模糊k-均值及最小均方誤差兩種算法。介紹了模糊k-均值算法的基本思路及步驟和最小均方誤差驗證可分性及分類算法的原理和方法。并使用MATLAB軟件編寫程序?qū)崿F(xiàn)了具體的例子，給出了實驗結(jié)果并對結(jié)果進行了分析。

關(guān)鍵詞：模糊k-均值最小均方誤差可分性

0引言

聚類是數(shù)據(jù)分析中的一項重要技術(shù)【1】，是眾多科學(xué)領(lǐng)域和工程技術(shù)中的一項基礎(chǔ)性工作。聚類分析被廣泛應(yīng)用于生物學(xué)、天體物理學(xué)、模式識別、決策支持、數(shù)據(jù)挖掘、圖像處理、最優(yōu)化問題等。所謂聚類是把d維特征空間中N個數(shù)據(jù)點分成k個不同的類，使類內(nèi)數(shù)據(jù)點的相似度高、不同類之問的數(shù)據(jù)點的相似度低【2-5】。這里的相似在特征空間中表現(xiàn)為距離近，所以距離可以用來對2個數(shù)據(jù)點進行相似性測度。在模糊聚類分析法中，模糊集合相當(dāng)于模糊類，模式之間的相似性通常用模糊關(guān)系、隸屬度來表示。模糊聚類分析的具體方法很多，而且新方法不斷出現(xiàn)，本文討論的是模糊k-均值算法。最小均方誤差（LeastMeanSquareError,LMSE）算法的推導(dǎo)利用了梯度概念，它除了對線性可分的模式類收斂外，對線性不可分的情況也可以在算法的迭代過程中明確的表示出來，避免造成空等現(xiàn)象白白浪費時間。這個獨特的性能使這種算法成為設(shè)計模式分類器的有用工具。

1模糊k-均值算法

模糊k-均值算法在聚類過程中每次得到的類別邊界仍然是模糊的，每類聚類中心的修改都要用到所有的樣本，此外聚類準則也體現(xiàn)了模糊性。模糊k-均值算法聚類的結(jié)果仍然是模糊集合，但是如果實際問題需要一個明確的界限，也可以對結(jié)果進行去模糊化，通過一定得規(guī)則將模糊聚類轉(zhuǎn)化為確定性分類。1)基本思路

模糊k-均值算法的基本思路是先設(shè)定一些類及每個樣本對各類的隸屬度，然后通過迭代不斷調(diào)整隸屬度至收斂。收斂條件是隸屬度的變化量小于規(guī)定的閾值。2）實現(xiàn)步驟

（1）假定要聚為K個類，由人為決定K個類中心，1本個數(shù)。

（2）根據(jù)先驗知識確定樣本對各模式類的隸屬度i,j0，建立初始隸

，屬度矩陣U0其中矩陣的行號i為類別編號，列號j為樣本ij0KN，N為樣

編號。表示第j個元素對第i類的隸屬度。對隸屬度矩陣的第j列而

ij言，它表示第j個元素分別對各模式類的隸屬度，因此矩陣的每列元素之和等于1。

（3）求各類的聚類中心miL，L為迭代次數(shù)。

NmiLj1ijLNijmXmj,i1,2,K

Lj1式中參數(shù)m2，是一個控制聚類結(jié)果模糊程度的常數(shù)，即模糊化指數(shù)。可以看出各聚類中心的計算必須用到全部的N個樣本，這是與非模糊k-均值算法的區(qū)別之一。在k-均值算法中，某一類的聚類中心只由該類樣本決定，不涉及其他類。

（4）計算新的隸屬度矩陣UL1，矩陣元素的計算方法【6】為ij1XmL11Xm2jiK2jll11m11m1,j1,2,N,i1,2,K

ml,l1,2,K為每個聚類的中心，ijL1是第j個樣本對于第i類的隸

屬度函數(shù)。

（5）回到第三步，重復(fù)至收斂。收斂條件為maxijL1ijL

i,j其中為規(guī)定的參數(shù)。

當(dāng)算法收斂時就得到了各類的聚類中心以及表示各樣本對各類隸屬程度的隸屬度矩陣，模糊聚類到此結(jié)束。這時準則函數(shù)J達到最小。

當(dāng)需要給出確定的分類結(jié)果時，可以根據(jù)隸屬度矩陣，按照隸屬原則進行劃分，即若

ijL1maxpjL1,j1,2,,N1pK

則

Xjwi類

3）實驗分析實例：

設(shè)有九個一維樣本[-5.0,-4.5,-4.1,-3.9,2.5,2.8,3.1,3.9,4.5],取參數(shù)m2，利用模糊k-均值算法把她們聚為兩類。

用MATLAB軟件編寫程序如下：

clearall%初始化參數(shù)值

D=[-5.0,-4.5,-4.1,-3.9,2.5,2.8,3.1,3.9,4.5]%聚類樣本k=2;%聚類中心數(shù)b=2;%模糊化指數(shù)J=100;%模糊聚類主程序

[i,j]=size(D)%得到數(shù)據(jù)樣本規(guī)格，j為數(shù)據(jù)個數(shù)，i為樣本的維度。

%初始化隸屬度矩陣member=rand(j,k)

forii=1:j%歸一化隸屬度函數(shù)矩陣membertemp1=0;foriii=1:k

temp1=(member(ii,iii))+temp1end

foriiii=1:k

scal_member(ii,iiii)=member(ii,iiii)/temp1endend

member=scal_member%歸一化后的隸屬度矩陣

%計算k個模糊聚類中心的位置ccwhileJ>0.01form=1:ksum1=0sum2=0forn=1:j

sum1=sum1+D(n)*power(member(n,m),b)sum2=sum2+power(member(n,m),b)end

cc(m)=sum1/sum2%計算聚類中心end

%更新隸屬度矩陣forvv=1:jsum4=0foruu=1:k

sum4=sum4+power(1/(D(vv)-cc(uu))^2,1/(b-1))endforuv=1:k

new_member(vv,uv)=(power(1/(D(vv)-cc(uv))^2,1/(b-1)))/sum4endend

%計算終止條件指標，以聚類中心隸屬度函數(shù)變化率很小為終止目標。index_mat=new_member-membersum5=0fornum=1:k*j

sum5=sum5+(index_mat(num))^2endJ=sum5

member=new_memberend

%輸出聚類結(jié)果

disp("聚類中心結(jié)果為")fornum2=1:kdisp(cc(num2))end

disp("每個樣本對于每個聚類中心的隸屬度為")member

實驗結(jié)果如下：聚類中心結(jié)果為

3.3543-4.3722

每個樣本對于每個聚類中心的隸屬度為member=0.00560.9944

0.00030.99970.00130.99870.00420.99580.98480.01520.99410.00590.99880.00120.99570.0043

0.98360.0164

實驗結(jié)果分析：

實驗數(shù)據(jù)為D=[-5.0,-4.5,-4.1,-3.9,2.5,2.8,3.1,3.9,4.5]，（1）模糊化指數(shù)m和模式類別數(shù)k分別為mb2,k0.01。

2。i1,j9。（2）初始隸屬度矩陣為member=0.58660.4134

0.41580.58420.59520.40480.04630.95370.36760.63240.58020.41980.52970.47030.54830.4517

0.53470.4653

可知傾向于X1,X3,X6,X7,X8,X9為一類，X2,X4,X5為一類。（3）計算聚類中心cc=

0.2941-0.9492

（4）計算新的隸屬度矩陣new_member=

0.36930.63070.35420.64580.33960.66040.33110.66890.70970.29030.69120.30880.67560.32440.64390.35610.62670.3733

此時J=0.7313，不滿足收斂條件，回到第（3）步繼續(xù)迭代運算。得新的聚類中心為cc=1.9214-2.4332。，如此迭代了三次，最終滿足了收斂條件，迭代結(jié)束。得到如上的實驗結(jié)果。從結(jié)果中按照隸屬原則進行劃分得：X1,X2,X3,X4為一類，X5,X6,X7,X8,X9為一類。從實驗數(shù)據(jù)可以看出該分類結(jié)果是正確的。

2最小均方誤差（LMSE）驗證可分性及分類算法的設(shè)計與實現(xiàn)1）LMSE驗證可分性算法的基本原理LMSE算法【7】是對準則函數(shù)引進最小均方誤差這一條件而建立起來的，這種算法的主要特點是在訓(xùn)練過程中判定訓(xùn)練集是否線性可分，從而對結(jié)果的收斂性做出判斷。

LMSE算法把對滿足式XWT0的求解改為對滿足XWB的求解，

式中Bb1,b2,,bN是各分量均為正值的矢量，故這兩個公式是互相等價的。

LMSE算法的出發(fā)點就是選擇一個準則函數(shù)J，使其達到極小值時，XWB可以得到最小二乘近似解。依據(jù)這樣的思路，可將準則函

數(shù)定義為

JW,X,B12XWB21W2i1NTXibi2

時。準則函數(shù)

可以看出，JW,X,B有唯一的極小值0，發(fā)生在XW的值等于WTBXi與bi誤差的平方之和，此時i1,2,,N，我們的目標是

使這個誤差的平方和最小，因此稱這一準則導(dǎo)出的算法為最小均方誤差算法。

2）LMSE算法的迭代計算過程

設(shè)初始值B1，需使其的每一分量都為正值，括號中的數(shù)字代表迭代次數(shù)k1。

W1XB1#ekXWkBk#

ekWk1WkcXBk1Bkcekek式中，X#XTX1XT稱為X的偽逆，X為Nn1階長方陣，X#為在上面的過程中Wk1和Bk1互相獨立，因此n1N階長方陣。

兩者計算的先后次序?qū)τ嬎憬Y(jié)果沒有影響。3）模式類別可分性的判別

可以證明，當(dāng)模式類別線性可分，且校正系數(shù)c滿足0c1時，該算法收斂，可求得解W。因為理論上不能證明到底需要迭代多少步才能達到收斂，所以在執(zhí)行時可以監(jiān)視出現(xiàn)解的過程，從而判斷是否收斂。通常的方法是每次迭代計算后檢查一下XWk的各分量和誤差向量ek，從而可以判斷是否收斂。具體分為以下幾種情況：

①如果ek0，表明XWkBk0，有解。

②如果ek0，表明XWkBk0，隱含著有解。若繼續(xù)迭

代，可使ek0。

③如果ek0，也就是說ek的所有分量為負數(shù)或零，但不全

部為零，表明模式類別線性不可分，停止迭代，無解。此時若繼續(xù)迭代，數(shù)據(jù)將不再發(fā)生變化，不能再調(diào)整。

從上面的過程可以清楚地看出，當(dāng)ek0后，若繼續(xù)迭代下去，

B,W和e都不會再發(fā)生變化。因此只有當(dāng)ek中有大于零的分量時，

才需要繼續(xù)迭代，一旦ek的全部分量只有0和負數(shù)，則立即停止。

實際上，對一線性不可分模式，要達到ek全部分量都為非正，需要迭代很多次，往往早在ek全部分量都達到非正值以前就能看出其中有些分量向正值變化得極慢，這時已能估計出造成線性不可分的某些樣品，及早采取對策【8】。

下面以一個實例來說明這種情況。假設(shè)有4個訓(xùn)練樣品，共分為TTTT兩類：顯然它們是線性可分的。用MATLAB1:0,0,0,1;2:1,0,1,1。

軟件編程采用LMSE算法來驗證其可分性。

w1=[00;01]"w2=[10;11]"

x=[001;011;-10-1;-1-1-1]xsharp=inv(x"*x)*x"B=[1111]";c=1;W=xsharp*Be=x*W-Bife0fori=1:4

W=W+c*xsharp*abs(e)B=B+c*(e+abs(e))e=x*W-Bi=i+1;endife00X11101011111X的規(guī)范逆矩陣為X#XTXXT111232#11121112T1112

取B11,1,1,1T和c1得W1XW11,1,1,10TXB12,0,1。因為

，因而W1即為所求的解，這時

e1XW1B10。判別函數(shù)為dx12x11。

4）LMSE分類算法原理

LMSE算法以最小均方誤差作為準則，因均方誤差為

1因而準則函數(shù)為JW,XErXW2iiTEriXWiXTiX

22準則函數(shù)在riXWiTX0時得JWi,XJ的最小值。

準則函數(shù)對Wi的偏導(dǎo)數(shù)為

TEXrXWXiiWi

T帶入迭代方程Wik1WikiXkriXkWikXk

對于多類問題來說,M類問題應(yīng)該有M個權(quán)函數(shù)方程，對于每一個權(quán)函數(shù)方程來說，如Xki，則riXk1否則rjXk0,j1,2,,M,ji5）LMSE分類算法實現(xiàn)【9】

①設(shè)各個權(quán)矢量的初值為0，即W00W10W900。②輸入第k次樣品Xk，計算dikWiTkXk。③若Xki，則riXk1，否則riXk0。T④計算Wik1，Wik1WikkXkriXkWikXk其

中k1k。

⑤循環(huán)執(zhí)行第②步，直到屬于wi類的所有樣品都滿足條件：

diXdjXji

下面用一個實例來說明該算法的進行過程。給定兩類樣品：

w1:0,0,0,1,0,0,1,0,1,1,1,0w2:0,0,1,0,1,0,0,1,1,1,1,1TTTTTTTT

現(xiàn)在用MATLAB軟件編寫程序來實現(xiàn)LMSE算法計算判別函數(shù)�！�

functiony=lmseclassify(sample)loadtempletpattern；w=zeros(26,10);flag=1;num=0;num1=0;d=[];m=[];r=[];whileflagflag=0;num1=num1+1;forj=1:40fori=1:10num=num+1;

r=[0000000000];r(i)=1;

pattern(i).feature(26,j)=1;fork=1:10

m=pattern(i).feature(:,j);d(k)=w(:,k)"*m;endfork=1:10ifk~=i

ifd(i)fork=1:10

w(:,k)=w(:,k)+m*(r(k)-d(k))/num;endendendifnum1>200flag=0;endend

sample(26)=1;b=[];fork=1:10

h(k)=w(:,k)"*sample";end

[maxval,maxpos]=max(h);

y=maxpos-1;

實驗結(jié)果如下：

W0.1350.2380.3050.721實驗結(jié)果分析：

在進行迭代運算之前，各樣品的特征向量經(jīng)過增1：

1:0,0,0,1,1,0,0,1,1,0,1,1,1,1,0,12:0,0,1,1,0,1,0,1,0,1,1,1,1,1,1,1TTTTTTTT

取W10,k1k。LMSE算法判別函數(shù)實現(xiàn)步驟如下：

T①令X10,0,0,1,X11,11,rX11，因此

TW2W11X11W1X10,0,0,1

TT②

X21,0,0,1,X21,212,rX20,0,0,1W3W21X21W2TT,因此

2X20,0,0,1

TT③④

X31,0,1,1,X31,rX31，因此W4W30,0,0,1TT

X41,1,0,1,X41,rX41，因此W5W40,0,0,1T⑤

X50,0,1,1,X52,rX50W6W55X50WTT因此

T140,0,,5X555

經(jīng)過19次迭代后，得到可以滿足要求的結(jié)果為

W200.135,0.238,0.305,0.721T

因此判別函數(shù)為：dXWTX

參考文獻：

0.50.135x10.238x20.305x30.2210【1】蘇瑞.基于層次的模糊K均值聚類算法研究[J].安陽師范學(xué)院學(xué)

報,201*,(02).

【2】DomanyE.SuperparamagneticC1usteringofDataTheDefinitive

SolutionofanⅢPosedProblem[J]．PhysicaA，1999，(263)：158169．

【3】BlattM，WisemanS，DomanyE．SuperparamagneticClusteringof

Data[J]．PhysicalReviewLetters，1996，(76)：32513255．

【4】BlmtM，WisemanS，DomanyE．C1usteringDatathroughanAnalogyto

thePottsModel[A]．AdvancesinNeuralInformationProcessingSystem[C]．MITPress，1996．

【5】BlattM，WisemanS，DomanyE．DataClusteringUsingaModelGranular

Magnet[J]．NeuralComputation，1997，(9)：18051842．

【6】葉萍.基于隸屬度改進的模糊K-均值算法[J].長春工程學(xué)院學(xué)

報,201*,(0l).

【7】楊淑瑩.圖像模式識別VC++技術(shù)實現(xiàn)[M].北京：清華大學(xué)出版社；北京

交通大學(xué)出版社，201*.7

【8】齊敏，李大健，郝重陽.模式識別導(dǎo)論[M].北京：清華大學(xué)出版社，201*.6【9】楊淑瑩.模式識別與智能計算-Matlab技術(shù)實現(xiàn)[M].北京：電子工業(yè)出版

社，201*.1

友情提示：本文中關(guān)于《地信1001年終工作總結(jié)》給出的范例僅供您參考拓展思維使用，地信1001年終工作總結(jié)：該篇文章建議您自主創(chuàng)作。

來源：網(wǎng)絡(luò)整理 免責(zé)聲明：本文僅限學(xué)習(xí)分享，如產(chǎn)生版權(quán)問題，請聯(lián)系我們及時刪除。

《地信1001年終工作總結(jié)》由互聯(lián)網(wǎng)用戶整理提供,轉(zhuǎn)載分享請保留原作者信息,謝謝!
鏈接地址：http://www.seogis.com/gongwen/725723.html

• 上一篇：創(chuàng)建“安全單位”的工作總結(jié)
• 下一篇：10年安全生產(chǎn)工作總結(jié)及11年工作重點