1) Information clustering analysis
信息聚类分析
2) information clustering
信息聚类
1.
In this paper,a method of information clustering and concept association is shown,it is based on neural network,and it aims at inkling information searching in knowledge discovery.
针对知识发现中的信息模糊查询问题 ,提出了一种基于神经网络的信息聚类及联想实现方法。
3) information classification
信息分类
1.
The preliminary study on the frame of multi-dimensions agriculture information classification;
多维网络农业信息分类框架的初步研究
2.
Research on Information Classification of Community Health Service;
社区卫生服务信息分类研究
3.
The concept, principle and encoding method of information classification and coding are presented.
叙述了信息分类编码的概念、原则和方法,介绍了电厂标识系统的作用及其应用、全范围电厂标识系统的信息分类编码体系组成和应用。
4) Information classifying
信息分类
1.
Research of Information Classifying and Coding Standard Management System Based on J2EE;
基于J2EE的信息分类编码标准管理系统的研究
5) classified information
分类信息
1.
A Study of the High-frequency-data-based Classified Information Mixture Distribution GARCH Model;
基于高频数据的分类信息混合分布GARCH模型研究
2.
Based on the stock price timing serial model,this article established a mixed distribution classified information GARCH(Generalized Autoregressive Conditional Heteroscedasticity) model,introducing the information from order books.
基于现有的股票价格时间序列模型,建立了一个股票价格冲击混合分布分类信息GARCH模型,引入指令簿信息,可以在解释股价变动的自相关性和异方差特性的同时,度量交易量对价格的冲击系数,进一步将价格冲击系数应用于投资优化中,可以得到投资组合的最优交易策略。
3.
<Abstrcat> The high-frequency-data-based classified information mixture distribution EGARCH model,which is put forward in this article,is based on market microstructure theory.
本文提出了基于高频数据的分类信息混合分布EGARCH模型,将上证指数的五分钟高频数据作为研究对象,引入修正混合分布(MMM)模型,将去除了趋势性和序列相关性的不同性质的对数交易量分解为进入市场的正的随机信息流和负的随机信息流两部分,作为分类信息流代理,加入EGARCH模型的方差方程中,考察"好消息"和"坏消息"对上证指数波动性的影响。
6) classification information
分类信息
1.
Knowledge accumulation method of a support vector machine directed by classification information
基于分类信息制导的SVM知识积累方法
补充资料：非系统聚类分析
分子式：
CAS号：
性质： 又称非谱系聚类分析。先将各样本粗略分为K个初始类，计算各类形心的坐标，再计算每个样本到类形心的距离，重新将样本聚集到最近距离的类中。再重新计算接受和失去了样本后的各类的形心，再对每个样本进行归类。循此进行，直到每个样本都归到了它与其类形心最靠近的类中，聚类过程停止，最后形成K类。
CAS号：
性质： 又称非谱系聚类分析。先将各样本粗略分为K个初始类，计算各类形心的坐标，再计算每个样本到类形心的距离，重新将样本聚集到最近距离的类中。再重新计算接受和失去了样本后的各类的形心，再对每个样本进行归类。循此进行，直到每个样本都归到了它与其类形心最靠近的类中，聚类过程停止，最后形成K类。
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