1) Classified layer tree
层次分类树
2) Hierarchical Cluster Tree
层次聚类树
3) taxonomy hierarchy
分类层次
1.
Distributed data sources which employ taxonomy hierarchy to describe the contents of their objects are considered,and a super-peer-based semantic overlay network(SSON) is proposed for sharing and searching their data objects.
针对使用分类层次来描述数据语义的分布式数据源,提出了一种支持数据共享的基于super-peer的语义覆盖网络SSON。
2.
Therefore,a taxonomy hierarchy based P2P network(TBSN)is presented in this paper,which fully considers the characteristics of data sources employing taxonomy hierarchy to describe the conten.
现有的基于分类层次的P2P语义覆盖网络并不能充分利用分类层次所包含的语义信息,为此提出了一种基于分类层次的P2P网络(TBSN),该网络充分考虑遵循某种分类层次的数据源的特点,能够利用分类层次所包含的语义信息,动态地将peer节点聚簇成不同的语义簇,语义簇之间根据语义关系建立相应的语义路由,从而形成了一种基于语义的P2P网络。
3.
However,existing semantic clustering approaches based on the taxonomy hierarchy take little account of load balancing problem among clusters,which inevitably compromise network performance.
然而现有的基于分类层次的语义分簇方法较少考虑簇之间的负载平衡问题,这必然会影响网络的性能。
4) hierarchical classification
层次分类
1.
A diagnostic nodel based on hierarchical classification in connection with the diagnostic problem of a complex system is proposed.
基于分类问题的普遍性,针对复杂系统的诊断问题,提出一种层次分类诊断模型,并解决了其中的关键技术问题。
2.
With the experiment of Web page hierarchical classification,we.
通过网页层次分类的实验,比较了这两种方法对单个标签域以及多个标签域结合的分类性能。
3.
Based on an improved Chord routing model,this paper introduces hierarchical classification and designs a P2P file sharing mechanism named CTI-Chord.
基于一种改进型的Chord路由模型,将层次分类技术应用到P2P结构中,设计了一种名为CTI-Chord的P2P文件共享机制。
5) hierarchic classification
层次分类
1.
A hierarchic classification diagnosis model, based on fuzzy membership grade and rules is being proposed.
针对该模型,首先以汽轮机通流部分故障为对象,讨论了层次分类的方法,根据结构和故障分解的原则建立了故障诊断树;其次根据热力参数的实际情况,选择模糊隶属度函数并确定隶属度函数的算法;最后综合这两种方法的优点,设计了故障节点的知识组织结构,把每个故障节点的知识库分成工况参数、初始证据源、证据模式、神经网络信息、模糊规则库、索引知识等6个部分。
补充资料：树分类器
需要通过多级判别才能确定模式所属类别的一种分类方法。多级判别过程可以用树状结构表示，所以称为树分类器。例如在对0～9十个数字进行识别时，可以先根据某些特征把0，6，8，9，4分成一类（C1）,把1，2，3，5，7分成一类(C2),然后根据这些特征或另外一些特征把0，6，8，9，4这一类再分成0，4，8一类 (C3)和4，6，9一类(C4)等，直到最后把各个数字分开为止（见图）。这种树状结构由节点和树枝所组成，它的特点是除了树根C0没有前级节点(父节点)以外，其余节点都有唯一的父节点（例如C的父节点是C,且所有的节点都可以从树根沿树枝所组成的路径达到。没有后继节点（子节点）的节点叫作叶，如C8，C10，C11等，其余的叫作非终止节点。每个非终止节点都只有两个子节点的树分类器，是最常用的一类树分类器，称为二分树分类器。
每个终止节点对应一个类别，为了提高树分类器的正确识别率，允许有几个叶对应同一个类别。非终止节点对应的类别是它的子节点所对应的类别的总和。
树分类器的设计需要解决以下几个问题：
① 确定树的结构。树结构影响正确识别率和平均判别次数，一般根据所研究问题的性质确定某种与正确识别率有联系的目标函数代替正确识别率，作为判断结构是否合理的标准，从树根出发在每个非终止节点寻找使目标函数达到最小（或最大）的子节点和对应的类别配置。
② 对每个非终止节点选择用于判别的特征子集，分枝限界算法能提供选择最佳特征子集的有效方法。
③ 为每个非终止节点确定判别函数，最常用的判别函数是线性判别函数。
由于在每个非终止节点需要判别的类别比较少，在多数情况下,可以用较少的特征和较简单的判别函数(因而较少的计算机时间)以达到总体上比较好的分类效果。
每个终止节点对应一个类别，为了提高树分类器的正确识别率，允许有几个叶对应同一个类别。非终止节点对应的类别是它的子节点所对应的类别的总和。
树分类器的设计需要解决以下几个问题：
① 确定树的结构。树结构影响正确识别率和平均判别次数，一般根据所研究问题的性质确定某种与正确识别率有联系的目标函数代替正确识别率，作为判断结构是否合理的标准，从树根出发在每个非终止节点寻找使目标函数达到最小（或最大）的子节点和对应的类别配置。
② 对每个非终止节点选择用于判别的特征子集，分枝限界算法能提供选择最佳特征子集的有效方法。
③ 为每个非终止节点确定判别函数，最常用的判别函数是线性判别函数。
由于在每个非终止节点需要判别的类别比较少，在多数情况下,可以用较少的特征和较简单的判别函数(因而较少的计算机时间)以达到总体上比较好的分类效果。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条