科學(xué)技術(shù)的發(fā)展為每個學(xué)科帶來新的機(jī)遇的同時(shí),也帶來嚴(yán)峻挑戰(zhàn)。學(xué)科通過引入、吸收、整合其它學(xué)科的理論、方法和技術(shù)來促進(jìn)自身的發(fā)展是學(xué)科創(chuàng)新最常見的途徑。學(xué)科交叉研究已成為學(xué)術(shù)界乃至整個社會關(guān)注的焦點(diǎn)。但從國內(nèi)外研究現(xiàn)狀分析,學(xué)科交叉還只是停留在表象和經(jīng)驗(yàn)的層面,缺乏基于科技文獻(xiàn)聚類分析的深層次挖掘的研究。本文要解決的問題是“如何利用聚類分析的技術(shù)手段來有效地發(fā)現(xiàn)和展示學(xué)科之間的交叉知識”。研究的目標(biāo)是在海量科技文獻(xiàn)數(shù)據(jù)的基礎(chǔ)上,通過聚類分析技術(shù)與手段,深度挖掘潛在的學(xué)科交叉知識,為學(xué)科交叉研究提供一種科學(xué)的、客觀的、先進(jìn)的方法。以“學(xué)科交叉知識”為研究對象,從文本挖掘的理論與關(guān)鍵技術(shù)分析入手,在文檔聚類算法的研究與改進(jìn)、學(xué)科交叉知識發(fā)現(xiàn)與可視化等方面展開研究工作,包括以下6個方面：（1）對國內(nèi)外學(xué)科交叉研究進(jìn)展進(jìn)行了評述,指出了研究中存在的不足,提出利用文檔聚類進(jìn)行學(xué)科交叉研究的可行性；（2）對文本挖掘、智能優(yōu)化算法及信息可視化研究進(jìn)展進(jìn)行綜述；（3）對文檔聚類中的關(guān)鍵技術(shù)研究,分析了文檔聚類在“相似性的精度”、“高維度的約簡”和“聚類數(shù)目模糊性”中面臨的問題,提出了解決問題的方案。（4... 

【文章來源】：南京大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：131 頁

【學(xué)位級別】：博士

【部分圖文】：

聚類結(jié)果的三維可視圖

表4.5算法平均性能比較算算法法正確率率運(yùn)行時(shí)間間目標(biāo)函數(shù)數(shù)FFFCM算法法88.67%%%0.138568880，0505551115一PSOOO94.67%%%18.358948880.047555融融合算法法96.00%%%3.964949990037444的正確率看，F(xiàn)CM算法分類的正確率僅為88.67%，而15一PSO與融合算法均成達(dá);從運(yùn)行時(shí)間看，15一PSO由于算法復(fù)雜，運(yùn)行最長，超過18秒，F(xiàn)CM算法的運(yùn)為0.14秒左右，而融合算法運(yùn)行時(shí)間居中;從目標(biāo)函數(shù)看，由于融合算法是在好的中心點(diǎn)的基礎(chǔ)上，并借助FCM快速收斂的優(yōu)勢，因此尋優(yōu)精度最好，而15行代數(shù)限制，在尋優(yōu)精度上末能超過融合算法。二種算法的目標(biāo)函數(shù)優(yōu)化仿真圖。FCM算法收斂速度最快，但陷于早熟，15一P最慢，并在100次迭代范圍內(nèi)優(yōu)化性能最差，融合算法在前20代與15一PSO算法后，由于采用FCM算法，使得收斂速度加快，并能迅速達(dá)到更好的優(yōu)化效果。

(FCM)中的隸屬度函數(shù)來發(fā)現(xiàn)難以區(qū)分類別的文獻(xiàn)。隸屬度函數(shù)是FCM算法中非常有用的一個度量，表示一個對象屬于某個類別的概率，可以依據(jù)該度量值，構(gòu)造模糊函數(shù)，通過模糊函數(shù)的lkiJ值設(shè)置來控制一篇文獻(xiàn)是否屬于學(xué)科交又文獻(xiàn)。學(xué)科交叉文獻(xiàn)發(fā)現(xiàn)流程見圖5.1:

【參考文獻(xiàn)】：
期刊論文
[1]一種基于免疫選擇的粒子群優(yōu)化算法[J]. 魏建香,孫越泓,蘇新寧.  南京大學(xué)學(xué)報(bào)(自然科學(xué)版). 2010(01)
[2]國際地震預(yù)測預(yù)報(bào)研究現(xiàn)狀的文獻(xiàn)計(jì)量分析[J]. 林德明,劉則淵.  中國軟科學(xué). 2009(06)
[3]基于遺傳算法的文檔聚類算法的設(shè)計(jì)與仿真(英文)[J]. 魏建香,劉懷,蘇新寧.  南京大學(xué)學(xué)報(bào)(自然科學(xué)版). 2009(03)
[4]基于文獻(xiàn)計(jì)量的跨學(xué)科測度及實(shí)證研究[J]. 楊良斌,周秋菊,金碧輝.  圖書情報(bào)工作. 2009(10)
[5]基于均方誤差的集粒子云自適應(yīng)均衡算法(英文)[J]. 倪梁方,趙康僆,都思丹.  南京大學(xué)學(xué)報(bào)(自然科學(xué)版). 2009(01)
[6]大學(xué)學(xué)科交叉的路徑[J]. 王庚華,邱巖,謝寅波.  中國冶金教育. 2008(04)
[7]基于群體多樣性反饋控制的自組織微粒群算法[J]. 介婧,曾建潮,韓崇昭.  計(jì)算機(jī)研究與發(fā)展. 2008(03)
[8]對學(xué)科交叉的探討與研究[J]. 彭小平.  科技情報(bào)開發(fā)與經(jīng)濟(jì). 2008(04)
[9]高維數(shù)據(jù)降維方法研究[J]. 余肖生,周寧.  情報(bào)科學(xué). 2007(08)
[10]基于模糊相似度的科技文獻(xiàn)軟聚類算法[J]. 孟海濤,陳笑蓉.  貴州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2007(02)

博士論文
[1]信息共享動力學(xué)及主動服務(wù)關(guān)鍵技術(shù)研究[D]. 馬衛(wèi)東.電子科技大學(xué) 2007
[2]跨學(xué)科研究與科研創(chuàng)新能力建設(shè)[D]. 趙曉春.中國科學(xué)技術(shù)大學(xué) 2007

碩士論文
[1]主題爬蟲搜索Web頁面策略的研究[D]. 袁浩.中南大學(xué) 2009
[2]基于引文分析的情報(bào)學(xué)與相關(guān)學(xué)科的研究[D]. 魏海燕.中南大學(xué) 2008
[3]基于K-均值的文本聚類分析[D]. 汪浩平.貴州大學(xué) 2008
[4]基于Ontology領(lǐng)域知識模型的高校研究生個性化信息服務(wù)研究[D]. 史冊.同濟(jì)大學(xué) 2007
[5]基于多元統(tǒng)計(jì)圖的高維數(shù)據(jù)降維方法及應(yīng)用研究[D]. 王立強(qiáng).燕山大學(xué) 2006
[6]學(xué)科交叉理論與高校交叉學(xué)科建設(shè)研究[D]. 金薇吟.蘇州大學(xué) 2005



本文編號：3536182