Биоразнообразие ночных Macrolepidoptera Нижегородского Заволжья

Биоразнообразие ночных Macrolepidoptera Нижегородского Заволжья

Автор: Мосягина, Асия Рашитовна

Шифр специальности: 03.00.16

Научная степень: Кандидатская

Год защиты: 2009

Место защиты: Нижний Новгород

Количество страниц: 341 с. ил.

Артикул: 4329995

Автор: Мосягина, Асия Рашитовна

Стоимость: 250 руб.



Предложено огромное число индексов общности, но чаще в биоценологических, фаунистических и биогеографических работах используются индексы Жаккара и СеренсенаЧскановского Песенко, . Эти коэффициенты равны 1 в случае полного совпадения видов сообществ и равны 0, если выборки совершенно различны и не включают общих видов. Группирование и классификация выборок является следующим этапом в анализе бетаразнообразия. Эти процедуры выполняются на основе преобразования матриц, каждый элемент которой это показатель сходства между двумя выборками. Если сравнивать несколько участков, хорошее представление о бетаразнообразии может дать кластерный анализ Кафанов и др. Кластерный анализодин из методов многомерного анализа, сущность которого состоит в иерархической классификации объектов, в разделении множества объектов на однородные группы. Графически иерархическая классификация отображается в виде дендрограммы дерева. Внутри каждой группы, получаемой в результате разбиения объектов на кластеры группы, объекты более сходны, чем с объектами из других групп. Кластерный анализ начинается с составления матрицы сходства для каждой пары сравниваемых объектов. Затем проводится последовательное объединение объектов в группы по степени их сходства, пока все они не будут включены в одну группу. Поскольку интерпретация результатов кластерного анализа зависит от визуальной оценки дендрограммы, лучше всего использовать этот прием для малых массивов данных. Рассмотрим некоторые наиболее часто используемые из них. Алгоритм метода ближайшего соседа сводится к следующему на основе матрицы дистанций определяются два наиболее близких объекта, которые объединяются в один кластер. На следующем шаге выбирается объект, который также будет включен в этот кластер. Этот объект, имеющий наименьшую дистанцию хотя бы с одним из объектов этого класса. Если существуют два объекта, которые имеют меньшую дистанцию, то они образуют отдельный независимый кластер. В методе дальнего соседа расстояния между кластерами определяются наибольшим расстоянием между любыми двумя объектами в различных кластерах. Считается, что метод дальнего соседа работает очень хорошо, когда объекты происходит на самом деле из различных реально существующих достаточно дискретных компактных групп. Если же объекты в многомерном пространстве образуют эллипсовидные подмножества или цепочки, то он сильно искажает отношения. Напротив, метод ближайшего соседа рекомендуют применять в тех случаях, когда имеется предположение о существова
нии волокнистых или цепочечных структур по схеме самый близкий родственник, близкий родственник и т. Нели в рассмотренных выше методах учитывались только попарные дистанции и с ними не осуществлялось никаких преобразований, но в методе невзвешенного попарного среднего 1РСМА после образования класса из двух или более элементов, сравнение его с остальными элементами осуществляется по среднему значению дистанций между образующими его элементами. Метод взвешенного попарного среднего V идентичен предыдущему за исключением того, что при вычислениях размер соответствующих кластеров число объектов, содержащихся в них используется в качестве весового коэффициента. Этот и предыдущий методы применяют при классификации большого числа объектов. В невзвешенном центроидном методе иРвМС расстояние между двумя кластерами определяется как расстояние между двумя кластерами определятся как расстояние между их геометрическими центрами тяжести. Метод Варда отличается от всех других тем, что при оценке расстояний между кластерами используются элементы дисперсионного анализа. Довольно часто метод Варда дает результаты, подобные полученным по методу дальнего соседа. Но в конечном итоге все определяется конфигурацией данных. В рамках методов иерархической алгоритмизации осуществляется попытка упорядочить элементы из многомерного пространства в линию, что с формальных позиций без искажений отношений не реализуемо. Единственно, к чему можно стремиться это уменьшить масштаб таких искажений. С этих позиций наиболее эффективным можно считать метод Варда, однако и здесь объединениям на высоких уровнях не следует придавать особого значения.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.227, запросов: 145