Measurements of zero-degree breakup fragment energy distribution fromthe Coulomb-Explosions of 1.50965 MeV HD+ ion inicro-cluster beam are reported.Mean value of the internuclear separation of HD+ is found to be 0.125...Measurements of zero-degree breakup fragment energy distribution fromthe Coulomb-Explosions of 1.50965 MeV HD+ ion inicro-cluster beam are reported.Mean value of the internuclear separation of HD+ is found to be 0.12510.003 urn. Aset of high-resolution experimental arrangement and improvement of the Van-de-Graaffaccelerator are described briefly.展开更多
近年来,不确定的聚类中心使得传统的聚类算法面临着巨大的挑战,例如导致了丢失历史数据信息、数据边界不清晰、时间复杂度高等问题。因此,提出了中心加权数据流聚类(Center-Weighted algorithm for clustering data streams,CW-Stream)...近年来,不确定的聚类中心使得传统的聚类算法面临着巨大的挑战,例如导致了丢失历史数据信息、数据边界不清晰、时间复杂度高等问题。因此,提出了中心加权数据流聚类(Center-Weighted algorithm for clustering data streams,CW-Stream)算法,旨在提高聚类中心的实时性。为了保留历史数据的瞬态特征,并尽可能少地占用存储空间,聚类中心被分配了不同的权重,并使用中心权重算法代替传统的欧几里得距离来调整微簇信息,改进了模糊可扩展策略。此外,采用模糊隶属度矩阵记录动态的数据流信息。与其他经典算法相比,该算法在聚类纯度和效率方面有较好的性能。展开更多
密度峰值聚类(density peaks clustering, DPC)算法基于局部密度和相对距离识别簇中心,忽视了样本所处环境对样本点密度的影响,因此不容易发现低密度区域的簇中心;DPC算法采用的单步分配策略的容错性差,一旦一个样本点分配错误,将导致...密度峰值聚类(density peaks clustering, DPC)算法基于局部密度和相对距离识别簇中心,忽视了样本所处环境对样本点密度的影响,因此不容易发现低密度区域的簇中心;DPC算法采用的单步分配策略的容错性差,一旦一个样本点分配错误,将导致后续一系列样本点分配错误。针对上述问题,提出二阶自然最近邻和多簇合并的密度峰值聚类算法(TNMM-DPC)。首先,引入二阶自然邻居的概念,同时考虑样本点的密度与样本点所处的环境,重新定义了样本点的局部密度,以降低类簇的疏密对类簇中心选择的影响;其次,定义了核心点集来选取初始微簇,依据样本点与微簇间的关联度对样本点进行分配;最后引入了邻居边界点集的概念对相邻的子簇进行合并,得到最终的聚类结果,避免了分配错误连带效应。在人工数据集和UCI数据集上,将TNMM-DPC算法与DPC及其改进算法进行了对比,实验结果表明,TNMM-DPC算法能够解决DPC算法所存在的问题,可以有效聚类人工数据集和UCI数据集。展开更多
文摘Measurements of zero-degree breakup fragment energy distribution fromthe Coulomb-Explosions of 1.50965 MeV HD+ ion inicro-cluster beam are reported.Mean value of the internuclear separation of HD+ is found to be 0.12510.003 urn. Aset of high-resolution experimental arrangement and improvement of the Van-de-Graaffaccelerator are described briefly.
文摘近年来,不确定的聚类中心使得传统的聚类算法面临着巨大的挑战,例如导致了丢失历史数据信息、数据边界不清晰、时间复杂度高等问题。因此,提出了中心加权数据流聚类(Center-Weighted algorithm for clustering data streams,CW-Stream)算法,旨在提高聚类中心的实时性。为了保留历史数据的瞬态特征,并尽可能少地占用存储空间,聚类中心被分配了不同的权重,并使用中心权重算法代替传统的欧几里得距离来调整微簇信息,改进了模糊可扩展策略。此外,采用模糊隶属度矩阵记录动态的数据流信息。与其他经典算法相比,该算法在聚类纯度和效率方面有较好的性能。
文摘密度峰值聚类(density peaks clustering, DPC)算法基于局部密度和相对距离识别簇中心,忽视了样本所处环境对样本点密度的影响,因此不容易发现低密度区域的簇中心;DPC算法采用的单步分配策略的容错性差,一旦一个样本点分配错误,将导致后续一系列样本点分配错误。针对上述问题,提出二阶自然最近邻和多簇合并的密度峰值聚类算法(TNMM-DPC)。首先,引入二阶自然邻居的概念,同时考虑样本点的密度与样本点所处的环境,重新定义了样本点的局部密度,以降低类簇的疏密对类簇中心选择的影响;其次,定义了核心点集来选取初始微簇,依据样本点与微簇间的关联度对样本点进行分配;最后引入了邻居边界点集的概念对相邻的子簇进行合并,得到最终的聚类结果,避免了分配错误连带效应。在人工数据集和UCI数据集上,将TNMM-DPC算法与DPC及其改进算法进行了对比,实验结果表明,TNMM-DPC算法能够解决DPC算法所存在的问题,可以有效聚类人工数据集和UCI数据集。
