1) grads cluster analysis
梯度聚类分析
1.
In spectrum analysis in oil monitoring, Because establishing limitable value of grads analysis is difficult, and cluster analysis is transparent, this paper combines the two analysis methods, and set up the grads cluster analysis among elements.
油液光谱分析数据梯度分析法具有界限值制定困难及聚类分析其过程透明且不需要经验,现将油液梯度分析法和聚类分析法结合起来,建立油液光谱元素间梯度聚类分析方法。
2) density clustering analysis
密度聚类分析
3) Gradient analysis
梯度分析
1.
A gradient analysis based on the buffer zones of urban landscape pattern of the constructed area in Guigang City,Guangxi,China;
基于缓冲带的贵港市城市景观格局梯度分析
2.
Spatio-temporal gradient analysis of urban green space in Ji′nan City;
济南市城市绿地时空梯度分析
3.
Extent effect of landscape gradient analysis of urban-rural transect;
城乡样带景观梯度分析的幅度效应
4) cluster analysis
聚类分析
1.
Application of Cluster Analysis in the Judgment of the Aluminum Electrolyzer's Status;
聚类分析在铝电解槽况判断中的应用
2.
Water quality and cluster analysis of Huaihe River Basin in 2004;
2004年淮河流域水质状况和聚类分析
3.
Failure analysis of drill stem based on support vector machine and cluster analysis theory;
基于支持向量机和聚类分析理论的钻具失效分析方法
5) clustering analysis
聚类分析
1.
Fuzzy clustering analysis of body type in 2D non-contacted body measurement system;
二维非接触人体测量中体型的模糊聚类分析
2.
Study on ranking standard of enterprise occupational injury risk based on clustering analysis of SPSS;
基于SPSS聚类分析的企业职业伤害风险分级标准研究
3.
Study on eco-environment quality assessment based on factor and clustering analysis;
基于因子分析和聚类分析的生态环境质量评价
6) Hierarchical cluster analysis
聚类分析
1.
HPLC fingerprint of Radix et Rhizoma Gentianae and its hierarchical cluster analysis;
龙胆药材的高效液相指纹图谱及聚类分析
2.
HPLC fingerprint of Eclipta prostrata L.and its hierarchical cluster analysis;
墨旱莲药材的高效液相指纹图谱及聚类分析
3.
Hierarchical Cluster Analysis on HPLC Fingerprint of Folium Mori from Different Breeds;
不同品种桑叶高效液相指纹图谱的聚类分析
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