1) directional similarity
方向相似性
1.
A robust clustering algorithm with fuzzy directional similarity;
鲁棒的模糊方向相似性聚类算法
2.
The paper presents an ant colony clustering algorithm based on directional similarity according to Web data characteristic of high-dimension and applys to Web user clustering.
本文首先针对Web数据高纬的特点,提出一种基于方向相似性的蚁群聚类算法并将其应用于用户聚类;然后针对Web数据的动态性,引入聚类模型维护库,在原有聚类模型的基础上实现增量式用户聚类。
3.
The paper presents an ant colony clustering algorithm based on directional similarity: ACCADS.
提出了一种基于方向相似性度量的蚁群聚类算法。
2) spatial directions similarity
空间方向相似性
1.
In this paper,spatial direction relation was described with direction relation matrix,calculation for spatial directions similarity in ordinary instance was discussed.
采用方向关系矩阵模型进行空间方向关系描述,讨论了一般情况下的空间方向相似性计算,提出了基于空间方向相似性的矢量数据匹配算法流程。
2.
In this paper, we describe spatial direction relation with direction relation matrix, discuss calculation for spatial directions similarity.
本文采用方向关系矩阵模型进行空间方向关系描述,讨论了空间方向相似性计算方法,提出了复杂情况下的匹配策略。
3) similarity direction
相似方向
1.
So was the similarity direction of vague sets by which to describe which one is more accurate between vague sets.
给出了一种新的Vague集间的相似度量方法 ,提出了Vague集间相似方向的概念 ,可以用它来描述两个相似Vague集中哪个所包含的信息更精确 ,并给出了一个判定方法 。
2.
In this paper, we introduce a new weighted similarity measure for vague set in order to solve some faults in [1] , and propose the concept of similarity direction between two vague sets by which to describe which one could give more accurate information.
提出了一种新的 Vague集的加权相似度量方法以解决文献 [1]中关于 Vague集相似度量的某些缺陷 ,并且提出了 Vague集间相似方向的概念 ,用它来描述两个相似 Vague集中哪个所包含的信息更精确 ,并给出了一个判定方法 。
3.
So in this paper a definition of the distance between vague sets is introduced,and then similarity direction and a method to determine the similarity direction are proposed.
为此本文首先给出了一个新的 vague集间的距离定义 ,然后给出了相似方向的概念及相似方向的判定方法 。
4) orientation similarities
方向相似度
1.
For local similarity of corresponding vectors,it is calculated by the location similarities and orientation similarities.
该方法根据相似理论,将比较序列曲线的整体性相似分解为若干对应向量的局部相似性,而向量的局部相似性以其位置相似度和方向相似度来度量。
5) lateral likeness
横向相似性
1.
The measurement method of lateral likeness prediction is used in correlation technique.
在构造复杂地区 ,常规地震构造解释的精度往往不能满足油气勘探的需要 ,而相关技术采用横向相似性预测的度量方法 ,不仅能够揭示并突出与地质变化相关的地震资料的横向变化 ,而且可提高地震剖面的横向分辨能力。
补充资料：群落相似性
群落相似性
similarity of community
可以更明确地描述种组成相似特征。常用的有杰卡特(P.Jaecard，1901)、索雷申(T.Sorensen，1948)、库列津斯基(5.T.Kulezynski，1927)和芒福德(M.D.Mountford，1962)等的相似性系数。 设丈为生境A和生境B共有的种数，a为生境A含有的全部种数，b为生境B含有的全部种数，则:①杰卡特群落相似性系数: G=j八a+b一户;②索雷申群落相似性系数: CS=Zj八a+b);③库列津斯基群落相似性系数:。一冬cs一j八。+b); ‘④芒福德群落相似性系数: C材=Zj/(Zab一(a+b)j〕 上述杰卡特群落相似性系数(G)和索雷申群落相似性系数(Cs)的最大值为1，库列津斯基群落相似性系数(C砂的最大值为0.5;芒福德群落相似性系数(C耐)的最大值为co。当两个群落所含有的种完全相同，其系数为最大值;当两个群落所含有的种完全不同，其系数均为O。自O至最大值之间表示两个群落的相似程度。 优势种相似上述的群落相似性系数得出的指标虽不尽相同，但原则一致，其特征值仅限于比较群落间所含有的种的相似性。但两群落的外貌是否相似，常常以优势种的相似程度为特征。因此，布雷和柯蒂斯(J.R.Bray and C.T.Curtis，1957)根据上述群落相似性系数，结合优势种的相似程度进行描述，即在生境A和B中，以全部种的个体总数aN和bN代替索雷申群落相似性系数计算式中的口和b，取两生境中共有种的种群数量的低值(例如种1在生境A中种群数为47，在生境B中种群数为50，则取47为计算值)的总和方明弋替;’，其相似性系数CB为: CB=2.1’N尹(口N+云N)。 计算结果同样以O至l之间的数值表示两个群落之间的相似程度。(庞雄飞)群落相似性(similarity of eommunity)群落特性之一，是不同群落结构特征的相似程度。常用群落相似性系数(eoeffieient of similarity)表示。可用以比较不同空间昆虫群落结构的异同。 共有种相似假如A、B、C三个群落的种类数从本一致，群落A与B具有多数共有种，群落B与C仅有少数共有种，可以认为群落A与B的相似性较大，群落B与C的相似性较小。 种组成相似在物种构成相近似的群落中，不宜单纯依据共有种的数量比较其相似程度，用群落中种类总数及共有种数的综合性指标—群落相似性系数，
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