Estimation in an empirical bayes model for longitudinal and cross‐sectionally clustered binary data

Some studies generate data that can be grouped into clusters in more than one way. Consider for instance a smoking prevention study in which responses on smoking status are collected over several years in a cohort of students from a number of different schools. This yields longitudinal data, also cross‐sectionaliy clustered in schools. The authors present a model for analyzing binary data of this type, combining generalized estimating equations and estimation of random effects to address the longitudinal and cross‐sectional dependence, respectively. The estimation procedure for this model is discussed, as are the results of a simulation study used to investigate the properties of its estimates. An illustration using data from a smoking prevention trial is given.     

A clustering approach to interpretable principal components

A new method for constructing interpretable principal components is proposed. The method first clusters the variables, and then interpretable (sparse) components are constructed from the correlation matrices of the clustered variables. For the first step of the method, a new weighted-variances method for clustering variables is proposed. It reflects the nature of the problem that the interpretable components should maximize the explained variance and thus provide sparse dimension reduction. An important feature of the new clustering procedure is that the optimal number of clusters (and components) can be determined in a non-subjective manner. The new method is illustrated using well-known simulated and real data sets. It clearly outperforms many existing methods for sparse principal component analysis in terms of both explained variance and sparseness.     

基于有效预测区域的模糊数据关联

多目标多传感器跟踪系统由数据关联和目标状态估计两部分组成,数据关联是多目标跟踪系统研究的核心。数据关联和目标状态估计两部分既有一定的独立性又有密切的联系,而将两部分合理地结合对提高跟踪系统的性能是重要的。该文以跟踪目标的有效预测区域为依据,利用基于Mahalanobis距离的模糊均值聚类方法解决数据关联问题,在一定程度上将数据关联和目标状态估计两个不同的过程相结合,仿真计算说明了其有效性。     

基于加权模糊c均值聚类的快速图像自动分割算法

图像分割是指将一幅图像分解为若干互不交迭的区域的集合，是图像处理和计算机视觉的基本问题之一。为了提高图像分割的效率，提出了一种基于2维直方图加权的塔形模糊c均值（FCM）聚类图像快速分割算法。该方法先通过构造合理的2维直方图对噪声进行抑制；然后通过塔形分解来缩减聚类样本集；最后利用加权FCM聚类算法进行分类。仿真结果表明，该方法的效率明显优于标准的FCM算法。此外，为确定分割的最优类别数c，还引入了一种基于该快速算法的聚类有效性评价函数——修正划分模糊度，实现了最佳图像分割类别数c的自动确定。基于人造图像和实际图像的测试实验结果表明该方法是有效的。     

企业财务报表分析中的模糊数学方法研究

财务报表分析无论对于企业自身还是银行、政府监管部门和中介机构都是至关重要的。从财务报表数据的模糊性与传统分析方法的主观性问题出发，利用模糊多项式时间序列模型以及基于模糊聚类的模糊预测模型，进行财务报表的趋势分析和综合分析。实证研究表明，模型的精度较高，利用上述模型进行财务报表分析符合财务数据本身的特性，与已有文献相比，较好地解决了模糊参数的估计问题和模糊聚类模型的动态预测问题，将其应用于企业财务报表分析的实践是有一定实用价值的。     

一种基于镜头聚类的视频场景分割方法

为了更好地进行视频信息检索和浏览,提出了一种利用视觉和运动特征来进行场景分割的方法,该方法在把镜头聚类到场景中时,不仅考虑同一场景内镜头的视觉特征相似性,而且还考虑了镜头的运动特征的一致性。此外,为避免过度分割,还提出了一种方法用来合并过度分割出的场景。实验结果表明,这种方法是有效的。     

控制论在犯罪人分类中的应用初探

系统科学自从创立以来就得到了自然科学界和社会科学界的广泛应用,然而在法学领域的应用却很少,本文即为系统科学在犯罪学领域深入应用的初探。文章主要阐述了《控制论》中的模糊集合在犯罪人分类要求中的应用,模糊聚类分析在犯罪人分类标准中的应用,以及时变系统理论在以矫正犯罪人为目的分类中的应用,以求有助于实际工作中对犯罪人分类的量化和系统化。     

免疫接种粒子群的聚类算法

将粒子群优化算法和K均值算法结合进行聚类分析,同时引入了免疫系统中的免疫接种和免疫选择机制来指导粒子的迭代过程,提出了一种基于免疫接种粒子群的聚类算法,在粒子群迭代的过程中加入免疫接种机制指导粒子的飞行方向,再通过免疫选择机制对接种的结果进行选择,确保粒子种群向更优的方向移动。实验结果证明,基于免疫接种粒子群的聚类算法基本克服了K均值算法容易受初始聚类中心影响的缺点,聚类结果稳定,而且比基于粒子群优化的聚类算法取得了更好的聚类效果。     

“优师计划”背景下民族地区高素质乡村教师的培养路径

国家发布了《中西部欠发达地区优秀教师定向培养计划》（简称“优师计划”）,作出大力培养民族地区高素质乡村教师的具体部署。但现有的教师职前培养、职后培训和组织保障等方面与实际需求不匹配,不利于教师综合素质的提升,民族地区乡村教师队伍建设陷入“优才难育”的困境。培养民族地区高素质乡村教师需要优化实践路径。一是培养目标定向民族地区乡村教育。针对民族地区乡村教育的特殊性,在目标定位、目标内涵和目标评价上坚定师范生爱教、乐教的理想信念,涵养师范生到民族地区乡村学校长期从教的职业情怀。二是课程体系服务民族地区乡村教育。构建“师德养成+师知传承+师能培养”的师范生课程体系,将“向农性”课程有机融入各个课程模块,强化乡村理解教育,助力师范生适应民族地区乡村教育工作。三是实践教学融入民族地区乡村教育。建立健全师范生实践教学体系、教学技能训练机制和“双导师”制度,深入实施乡村“田野”体验式研究,培养知行合一、扎根民族地区乡村教育的教师。四是协同育人促进民族地区乡村教育。构建师范院校、教育行政部门和乡村定向学校三方协同的教师教育共同体,给予师范生专业化、个性化和本土化支持,助力师范生成长为民族地区乡村教育的良师。     

Clustering for contingency tables: boxes and partitions

The correspondence analysis (CA) method appears to be an effective tool for analysis of interrelations between rows and columns in two-way contingency data. A discrete version of the method, box clustering, is developed in the paper using an approximation version of the CA model extended to the case when CA factor values are required to be Boolean. Several properties of the proposed SEFIT-BOX algorithm are proved to facilitate interpretation of its output. It is also shown that two known partitioning algorithms (applied within row or column sets only) could be considered as locally optimal algorithms for fitting the model, and extensions of these algorithms to a simultaneous row and column partitioning problem are proposed.