聚类分析毕业论文答辩

毕业论文答辩技巧

毕业论文答辩技巧，近几年答辩开始变得火热起来，作为答辩委员会的成员，我希望给大家带来一些答辩的实用小技巧，帮助大家快速通过答辩，完成毕业通关，下面就看一下整理出来的毕业论文答辩技巧。

一、论文答辩——熟悉内容

作为将要参加毕业论文答辩的同学，首先而且必须对自己所著的论文内容有比较深刻的理解和比较全面的熟悉。所谓“深刻的理解”是对论文有横向的把握。这两方面是为回答答辩委员会成员就有关论文的深度及相关知识面而提出的问题所做的准备。

例如，题为＜创建名牌产品发展民族产业＞的论文，答辩委员会成员可能会问“民族品牌”与“名牌”有何关系。尽管论文中未必涉及“民族品牌”，但学生必须对自己的论文有“比较全面的熟悉”和“比较深刻的理解”，否则，就会出现尴尬局面

二、论文答辩——图表穿插

任何毕业论文，无论是文科还是理科都或多或少地涉及到用图表表达论文观点的可能，故我认为应该有此准备。图表不仅是一种直观的表达观点的方法，更是一种调节答辩会气氛的手段，特别是对私人答辩委员会成员来讲，长时间地听述，听觉难免会有排斥性，不再对你论述的内容接纳吸收，这样，秘然对你的毕业论文答辩成绩有所影响。所以，应该在答辩过程事适当穿插图表或类似图表的其它媒介以提高你的答辩成绩。

三、论文答辩——语流适中

进行毕业论文答辩的同学一般都是首次。无数事实证明，他们在众多的都是和同学面前答辩时，说话速度往往越来越快，以致答辩委员会听不清楚，影响了答辩成绩。故答辩学生一定要注意在答辩过程中的语流速度，要有急有缓，有轻有重，不能像连珠炮似的轰向听众。

四、论文答辩——目光移动

毕业生在论文答辩时，一般可脱稿，也可半脱稿，也可完全不脱稿。但不管哪种开工，都应注意自己的目光，使目光时常地瞟向答辩委员会成员及会场上的同学们。这是你用目光与听众进行心灵的接触，使听众对你的论题产生兴趣的一种手段。在毕业论文答辩会上，由于听时间过长，委员们难免会有分神现象，这时，你用目光的投射会很礼貌地将他们的神“拉”回来，使委员们的思路跟你的思路走。

五、论文答辩——体态语辅助

虽然毕业论文答辩同其它答辩一样以口语为主，但适当的体态语运用会辅助你的答辩，使答辩效果更好。特别是手势语言的恰当运用会显得自信、有力、不容辩驳。相反，如果你在答辩过程中始终如一地直挺挺地站着，或者始终如一地低头俯视，即使你的论文结构再合理，主题再新颖，结论再正确，答辩效果也会大受影响。所以在毕业论文答辩时，一定要注意使用态语。

六、论文答辩——时间控制

一般在比较正规的答辩会上，都对辩手有时间要求，因此，毕业学生在进行论文答辩时应重视时间的掌握。对时间的控制要有力度，到该截止的时间立即结束，这样，显得有准备，对内容的掌握和控制也轻车熟路，容易给答辩委员会成员一个良好的印象。故在答辩前应该对将要答辩的内容有时间上的估计。当然在答辩过程中灵活地减少或增加也是对时间控制的一种表现，应该重视的。

七、论文答辩——紧扣主题

在校园中进行毕业论文答辩，往往辩手较多，因此，对于答辩委员会成员来说，他们不可能对每一位的论文内容有全面的了解，有的甚至连题目也不一定熟悉。因此，在整个答辩过程中能否围绕主题进行，能否最后扣题就显得非常重要了。另外，委员们一般也容易就题目所涉及的问题进行提问，如果能自始至终地以论文题目为中心展开论述就会使评委思维明朗化，对你的论文加以首肯。

八、论文答辩——人称使用

在毕业论文答辩过程中必然涉及人称使用问题，我建议尽量多地使用第一人称，如“我”“我们”，即使论文中的材料是引用他人的，用“我们引用”了哪儿哪儿的数据或材料，特别是毕业论文大多是你自己作的，所以要更多使用而且是果断地、大胆地使用第一人称“我”和“我们”。如果是这样，会使答辩委员会成员有这样的印象：东西是你的，工作做了不少!

一、打有把握之仗：答辩前的充分准备

1、认清考点。

答辩的目的首先是考一个人的反应是否敏捷、应变是否机智以及思维是否有条理，其次才是考一个人的知识面的广度、思维层次的深度和理论水平的高度。在答辩过程中最忌讳出现的情况是接不上话、语无论次、结结巴巴、漏洞百出。因此，首先应特别注意答辩时接话要迅速，条理要清晰，一般来说，用“第一、第二、第三”或“首先、其次、再次”等结构形式来回答比较好。

2、分析题型。

面试答辩一般有客观题和主观题两种，客观题是有标准答案的，而主观题则可能有多种答案。相对而言，客观题极少，而主观题居多。这就为竞聘者提供了广阔的`自由发挥的空间，因此要充满信心，避免手忙脚乱，只要不离主题，正常发挥水平，就能从容过关；如能做到不时有新思想的火花爆出，则效果更佳。

3、预测题型。

岗位竞聘的目的性很明确，就是竞聘者通过对自身经历、业绩、优势及工作设想等方面情况的说明和阐述，证明自己比其他人更能胜任某岗位的工作。评委也主要是从这些主要方面进行提问的：与你的经历相关的问题，与你竞聘的岗位有关的问题，与当前政策形势有关的问题等。作为竞聘者，可以事先围绕这些方面，把可能出现的问题具体化，并提前概括出答题要点。如果评委提出的问题与你提前思考的问题一致或类似，你便可从容不迫、侃侃而谈；如果提出的问题与你设想有一定的差别，你也可以机智地嫁接，灵活组装，千万不能当场被噎住。

4、有意设套。

即在竞聘答辩的过程中，有意识地提出一些概念、思路，但不对此作深入细致的阐述，而在答辩的过程中运用自然地放慢语速、加强语气等方法，把这些问题凸现出来，吸引评委的注意，诱惑评委就此提问。如某竞聘者在谈到做好市场调研工作的设想时，具体地谈了观念的问题、方法的问题后，只巧妙地提了一句：“另外，还要注意加强销售部的队伍建设。”果然有评委打破沙锅问到底：“在加强队伍建设方面你准备采取哪些措施?此问正中竞聘者的圈套，给我一个问题，还你一个精彩，水到渠成，天衣无缝。

二、艺高人胆大：答辩时的机智应变 答辩过程充满变数，在充分准备的前提下，还应当掌握一些应变之道。

1、废话不废，赢得时间。

当评委提出问题，你一下子不知从何说起时，不妨说几句废话，先把话头接过来，如你的这个问题很好，这是我在今后的工作中应该认真思考和对待的一个问题”，“你刚才提的问题是：为什么说质量是企业的生命线?之所以说质量是企业的生命线......这样的话虽说是废话，但也符合人们回答问题的习惯。利用这样的话，争取有限的时间整理思绪，搜索脑海中的记忆材料，然后再有板有眼地阐述，因此，废话的作用不可小视。

2、套话不谬，以静制动。

许多工作尽管性质不同，但工作的规律以及做好该工作的措施一经概括提炼便大同小异，如加强学习、健全制度、措施到位、重点突出等。比如，当评委提出为做好某项工作，你准备采取哪些措施之类的问题，而你对这项工作又不太熟悉时，便不妨适当联系，以不变应万变。

3、好话不假，控制情绪。

有时评委的发问与其说是提问题，不如说是提意见，而在这种特殊的场合提出来，回答稍有不慎，便会下不了台。因此，回答这样的问题时不要讲大而无意义的话，最佳的选择是说好话，真心诚意承认不足，并承诺今后注意改进。如评委提问：综合处应是一个综合服务部门，为什么领导出差你们能搞到票，而我们职工出差就搞不到票呢?回答这样的问题不是一两句话能说得清楚的。有位竞聘者是这样回答的：在我们的工作中，确实可能出现这样的问题，对此我深感抱歉，上次没办好，下次一定办好，如果您遇到这样的问题可以直接向我提出来，我一定尽力解决。”几句好话，让提问者和听众听了心里都舒服。

4、笑话不俗，活跃气氛。

有的评委的提问锋芒毕露，逼你当场表态，让你进退两难。如几位评委不约而同地向一位竞聘基建处长的同志发难：我们单位要新征2000亩地，你能不能保证一年之内把地搞到手?给我20万美元，我也不敢打包票。一般来说，一年的时间是可以解决问题的，但据我了解，那块地上有几十户农民，拆迁是征地过程中最头脑的问题，碰到几个钉子户，进度就会受到影响。但我将努力在一年左右的时间里完成这项艰巨的任务。”竞聘者开头的几句话引得大家一阵大笑，使短兵相接的紧张气氛顿时轻松下来，接下来的几句话，客观、实在，赢得了评委的理解和好评。

5、文话不酸，倍添风采。

文话即书卷气较重的话，抒隋、比喻、联想、引用等表达手法能使答辩文采飞扬，但必须运用得恰到好处，避免给人文绉绉、酸溜溜的感觉。如有一位评委问一位年轻的竞聘者：对一位年轻的管理者来说，要做好工作，最重要的品质是什么?有人说是虚心，有人说是勤奋，还有人说是务实，你认为是什么?虽说提问者列出了几种答案，但他的目的显然并不是让你做选择题，而是把一般可能出现的回答排除之后，让你另辟蹊径，作出新的大胆的回答。这位竞聘者精彩地回答道：“虚心、勤奋、务实都是年轻干部应具备的品质。另外，我想引用毛泽东同志的两句诗来回答您的问题，一句是他年轻时写的：‘到中流击水，浪遏飞舟’；另一句是他晚年时写的：‘不管风吹浪打，胜似闲庭信步。’对于一个年轻人来说，最可贵的品质是：初生牛犊不怕虎，每临大事有魄力、不怯懦。”

何为聚类分析聚类分析或聚类是对一组对象进行分组的任务，使得同一组（称为聚类）中的对象（在某种意义上）与其他组（聚类）中的对象更相似（在某种意义上）。它是探索性数据挖掘的主要任务，也是统计 数据分析的常用技术，用于许多领域，包括机器学习，模式识别，图像分析，信息检索，生物信息学，数据压缩和计算机图形学。聚类分析本身不是一个特定的算法，而是要解决的一般任务。它可以通过各种算法来实现，这些算法在理解群集的构成以及如何有效地找到它们方面存在显着差异。流行的群集概念包括群集成员之间距离较小的群体，数据空间的密集区域，间隔或特定的统计分布。因此，聚类可以表述为多目标优化问题。适当的聚类算法和参数设置（包括距离函数等参数）使用，密度阈值或预期聚类的数量）取决于个体数据集和结果的预期用途。这样的聚类分析不是自动任务，而是涉及试验和失败的知识发现或交互式多目标优化的迭代过程。通常需要修改数据预处理和模型参数，直到结果达到所需的属性。常见聚类方法常用的聚类算法分为基于划分、层次、密度、网格、统计学、模型等类型的算法，典型算法包括K均值（经典的聚类算法）、DBSCAN、两步聚类、BIRCH、谱聚类等。K-means聚类算法中k-means是最常使用的方法之一，但是k-means要注意数据异常：数据异常值。数据中的异常值能明显改变不同点之间的距离相识度，并且这种影响是非常显著的。因此基于距离相似度的判别模式下，异常值的处理必不可少。数据的异常量纲。不同的维度和变量之间，如果存在数值规模或量纲的差异，那么在做距离之前需要先将变量归一化或标准化。例如跳出率的数值分布区间是[0,1]，订单金额可能是[0,10000 000]，而订单数量则是[0,1000]，如果没有归一化或标准化操作，那么相似度将主要受到订单金额的影响。DBSCAN有异常的数据可以使用DBSCAN聚类方法进行处理，DBSCAN的全称是Density-Based Spatial Clustering of Applications with Noise，中文含义是“基于密度的带有噪声的空间聚类”。跟K均值相比，它具有以下优点：原始数据分布规律没有明显要求，能适应任意数据集分布形状的空间聚类，因此数据集适用性更广，尤其是对非凸装、圆环形等异性簇分布的识别较好。无需指定聚类数量，对结果的先验要求不高由于DBSCAN可区分核心对象、边界点和噪点，因此对噪声的过滤效果好，能有效应对数据噪点。由于他对整个数据集进行操作且聚类时使用了一个全局性的表征密度的参数，因此也存在比较明显的弱点：对于高纬度问题，基于半径和密度的定义成问题。当簇的密度变化太大时，聚类结果较差。当数据量增大时，要求较大的内存支持，I/O消耗也很大。MiniBatchKMeansK均值在算法稳定性、效率和准确率（相对于真实标签的判别）上表现非常好，并且在应对大量数据时依然如此。它的算法时间复杂度上界为O(nkt)，其中n是样本量、k是划分的聚类数、t是迭代次数。当聚类数和迭代次数不变时，K均值的算法消耗时间只跟样本量有关，因此会呈线性增长趋势。但是当面对海量数据时，k均值算法计算速度慢会产生延时，尤其算法被用于做实时性处理时这种弊端尤为明显。针对K均值的这一问题，很多延伸算法出现了，MiniBatchKMeans就是其中一个典型代表。MiniBatchKMeans使用了一个种名为Mini Batch（分批处理）的方法计算数据点之间的距离。Mini Batch的好处是计算过程中不必使用所有的数据样本，而是从不同类别的样本中抽取一部分样本（而非全部样本）作为代表参与聚类算法过程。由于计算样本量少，所以会相应减少运行时间；但另一方面，由于是抽样方法，抽样样本很难完全代表整体样本的全部特征，因此会带来准确度的小幅度下降，但是并不明显。谱聚类在大数据背景下，有很多高纬度数据场景，如电子商务交易数据、web文本数据日益丰富。高维数据聚类时耗时长、聚类结果准确性和稳定性都不尽如人意。因为，在高维数据，基于距离的相似度计算效率极低；特征值过多在所有维度上存在簇的可能性非常低；由于稀疏性和紧邻特性，基于距离的相似度几乎为0，导致高维空间很难出现数据簇。这时我们可以选着使用子空间聚类，或是降维处理。子空间聚类算法是在高维数据空间中对传统聚类算法的一种扩展，其思想是选取与给定簇密切相关的维，然后在对应的子空间进行聚类。比如谱聚类就是一种子空间聚类方法，由于选择相关维的方法以及评估子空间的方法需要自定义，因此这种方法对操作者的要求较高。使用聚类分析中间预处理图像压缩用较少的数据量来表示原有的像素矩阵的过程，这个过程称为图像编码。数据图像的显著特点是数据量庞大，需要占用相当大的储存空间，这给图像的存储、计算、传输等带来了不便。因此，现在大多数数字网络下的图像都会经过压缩后再做进一步应用，图像压缩的方法之一便是聚类算法。在使用聚类算法做图像压缩时，我们会定义K个颜色数（例如128种颜色），颜色数就是聚类类别的数量；K均值聚类算法会把类似的颜色分别放在K个簇中，然后每个簇使用一种颜色来代替原始颜色，那么结果就是有多少个簇，就生成了多少种颜色构成的图像，由此实现图像压缩。图像分割图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣的目标技术和过程，这是图像处理和分析的关键步骤。图像分割后提取出的目标可以用于图像语义识别，图像搜索等领域。例如从图像中分割出前景人脸信息，然后做人脸识别。聚类算法是图像分割方法的一种，其实施的关键是通过不同区域间明显不同的图像色彩特征做聚类，聚类数量就是要分割的区域的数量。图像理解在图像理解中，有一种称为基于区域的提取方法。基于区域的提取方法是在图像分割和对象识别的前提下进行的，利用对象模板、场景分类器等，通过识别对象及对象之间的拓扑关系挖掘语义，生成对应的场景语义信息。例如，先以颜色、形状等特征对分割后的图像区域进行聚类，形成少量BLOB；然后通过CMRM模型计算出BLOB与某些关键词共同出现的概率。异常检测异常检测有多种实施方法，其中常用的方法是基于距离的异常检测方法。即使数据集不满足任何特定分布模型，它仍能有效地发现离群点，特别是当空间维度比较高时，算法的效率比基于密度的方法要高得多。算法具体实现时，首先算出数据样本间的距离（如曼哈顿距离、欧氏距离等），然后对数据做预处理后就可以根据距离的定义来检测异常值。例如，可以使用K-means的聚类可以将离中心店最远的类或者不属于任何一个类的数据点提取出来，然后将其定义为异常值。聚类算法的选择：数据为高维数据，那么选取子空间聚类（如谱聚类）数据量在100万条以内，那么使用k均值较好；如果数据量超过100万条，那么可以考虑使用Mini Batch KMeans如果数据中存在噪点，那么可以使用基于密度的DBSCAN如果最求更高的分类准确度，那么选择谱聚类将比K均值准确度更好