sklearn spectralclustering

时间: 2023-05-01 13:03:07 浏览: 198
ZIP

spectralclustering

star5星 · 资源好评率100%
sklearn spectralclustering是一个Python中的机器学习库，用于进行谱聚类分析。谱聚类是一种基于图论的数据聚类方法，它将数据样本表示成图上的节点，通过计算节点之间的相似度及其对应的相似度矩阵，将节点划分成不同的聚类。sklearn spectralclustering库是基于这种方法实现的，可以方便地对数据进行聚类分析。
阅读全文

相关推荐

text/plain

spectral clustering

这是一个谱聚类算法，可以用于数据处理，图像处理

SKlearn.clustering.spectralClustering

The SpectralClustering class in the scikit-learn library is an implementation of this technique. The SpectralClustering class takes the following parameters: - n_clusters: the number of clusters to...
zip

spectral clustering谱聚类_spectralclustering_聚类_谱聚类_

在Python中，我们可以使用scipy库的spectral_clustering函数来实现谱聚类。 首先，让我们详细了解一下谱聚类的基本步骤： 1. **构建相似度矩阵**：根据数据集中的样本，计算它们之间的相似度。常用的相似度...

sklearn.cluster.spectralclustering

sklearn.cluster.spectralclustering 是 Python 中用于谱聚类的库。它可以将数据聚成预定数量的集群，并且能够处理非线性的数据或者不规则的数据形状，是一种强大的聚类算法。
zip

SpectralClustering

from sklearn.cluster import SpectralClustering import numpy as np # 假设我们有数据集X X = np.array([[1, 1], [2, 1], [1, 0], [4, 5], [4, 6]]) # 创建SpectralClustering对象，设置聚类数量k为2 spectral_...
zip

SpectralClustering:光谱聚类的Python实现

在Python中，sklearn库提供了SpectralClustering类，使得光谱聚类的实现变得简单。以下是一个基本的使用示例： python from sklearn.cluster import SpectralClustering import numpy as np # 假设我们有数据...

spectral clustering实现鸢尾花聚类

要实现这个过程，可以使用Python的sklearn库中的SpectralClustering类来完成，其内置了以上提到的核函数、相似度矩阵转换、特征值分解、K-means聚类等步骤，而且还可以方便地选择最优的聚类数目。在实现过程中，可以...

opencv中spectralClustering函数怎么用

from sklearn.cluster import SpectralClustering # 假设有一个名为X的数据集 # 创建 SpectralClustering 对象 spectral = SpectralClustering(n_clusters=2, affinity='nearest_neighbors') # 执行谱聚类 labels...

在sklearn中，共有12种聚类方式，包括K-Means、Affinity Propagation、Mean Shift、Spectral Clustering、Ward Hierarchical Clustering、Agglomerative Clustering、DBSCAN、Birch、MiniBatchKMeans、Gaussian Mixture Model、OPTICS和Spectral Biclustering。请将这段话中的英文翻译为中文

在sklearn中，共有12种聚类方式，包括K-Means、Affinity Propagation、Mean Shift、Spectral Clustering、Ward Hierarchical Clustering、Agglomerative Clustering、DBSCAN、Birch、MiniBatchKMeans、Gaussian ...

学习并调用Spectral clustering算法，并尝试用于真实数据集。用python代码实现

好的，首先让我们来简单了解一下Spectral clustering算法。 Spectral clustering算法是一种基于图论的聚类算法，它主要基于谱聚类理论，将数据点看作是无向图上的节点，通过计算相似度矩阵，将其转化为一个带权无向...

from sklearn.cluster import spectral_clustering这段代码是什么意思

这段代码是导入了sklearn库中的spectral_clustering模块，用于进行谱聚类（spectral clustering）算法。谱聚类是一种基于图论的聚类方法，它将数据看做是一个图，通过计算图的拉普拉斯矩阵的特征向量来进行聚类...
zip

spectral-clustering:光谱聚类演示

from sklearn.cluster import SpectralClustering import numpy as np # 假设X是n×d的特征矩阵 X = ... # 设置聚类数量 n_clusters = ... # 使用kNN构造相似度矩阵 similarity = ... # 可以使用sklearn.neighbors...
zip

sklearn.zip

4. **聚类**：包括K-Means、DBSCAN、谱聚类（spectral clustering）等，用于无监督的数据分组。 5. **模型选择与评估**：交叉验证（cross-validation）、网格搜索（GridSearchCV）用于模型选择和参数调优，各种评估...

D:\wjd这个路径下有2000多张1000*1000的png格式的ovito三色图片，现在想找用无监督方法，resnet50将其自动分类，不用k-means和SpectralClustering方法分类，用其他方法自动分类，分类到D:\wjd这个路径下的文件里，文件夹的名字根据分类的数量来确定，比如说这个算法最终将2000多张照片分为8类，则建立8个文件夹，文件命名就是1，2，3，4，5，6，7，8

对于无监督的图像分类问题，可以使用Autoencoder（自编码器）等算法来实现。...另外，代码中使用了K-Means算法对数据进行聚类，如果想尝试其他聚类算法，可以使用sklearn库中的其他聚类算法替换K-Means算法。

import os import numpy as np import matplotlib.pyplot as plt from PIL import Image from sklearn.cluster import SpectralClustering from sklearn.decomposition import PCA from tensorflow.keras.preprocessing import image from tensorflow.keras.applications.resnet50 import ResNet50 from tensorflow.keras.applications.resnet50 import preprocess_input # 定义加载图片函数 def load_image(img_path): img = image.load_img(img_path, target_size=(224, 224)) x = image.img_to_array(img) x = np.expand_dims(x, axis=0) x = preprocess_input(x) return x # 加载ResNet50模型 model = ResNet50(weights='imagenet', include_top=False, pooling='avg') # 加载图片并提取特征向量 img_dir = 'D:/wjd' img_names = os.listdir(img_dir) X = [] for img_name in img_names: img_path = os.path.join(img_dir, img_name) img = load_image(img_path) features = model.predict(img)[0] X.append(features) # 将特征向量转化为矩阵 X = np.array(X) # 计算相似度矩阵 S = np.dot(X, X.T) # 归一化相似度矩阵 D = np.diag(np.sum(S, axis=1)) L = D - S L_norm = np.dot(np.dot(np.sqrt(np.linalg.inv(D)), L), np.sqrt(np.linalg.inv(D))) # 计算特征向量 eigvals, eigvecs = np.linalg.eig(L_norm) idx = eigvals.argsort()[::-1] eigvals = eigvals[idx] eigvecs = eigvecs[:, idx] Y = eigvecs[:, :2] # 使用谱聚类进行分类 n_clusters = 5 clustering = SpectralClustering(n_clusters=n_clusters, assign_labels="discretize", random_state=0).fit(Y) # 可视化聚类结果 pca = PCA(n_components=2) X_pca = pca.fit_transform(X) plt.scatter(X_pca[:, 0], X_pca[:, 1], c=clustering.labels_, cmap='rainbow') plt.show()，存在这个错误是由于数据中存在复数，而该算法不支持处理复数数据造成的，如何解决

2. 使用基于KMeans的谱聚类算法：使用sklearn.cluster中的KMeans类进行谱聚类，将特征向量矩阵作为输入数据进行聚类。 你可以先尝试实部取值操作，如果还存在问题，再考虑使用基于KMeans的谱聚类算法。

Traceback (most recent call last): File "D:\anaconda\lib\site-packages\sklearn\utils\validation.py", line 879, in check_array array = _asarray_with_order(array, order=order, dtype=dtype, xp=xp) File "D:\anaconda\lib\site-packages\sklearn\utils\_array_api.py", line 185, in _asarray_with_order array = numpy.asarray(array, order=order, dtype=dtype) numpy.ComplexWarning: Casting complex values to real discards the imaginary part The above exception was the direct cause of the following exception: Traceback (most recent call last): File "C:\Users\86157\PycharmProjects\pythonProject8\6.py", line 54, in <module> clustering = SpectralClustering(n_clusters=n_clusters, assign_labels="discretize", random_state=0).fit(Y) File "D:\anaconda\lib\site-packages\sklearn\cluster\_spectral.py", line 706, in fit X = self._validate_data( File "D:\anaconda\lib\site-packages\sklearn\base.py", line 546, in _validate_data X = check_array(X, input_name="X", **check_params) File "D:\anaconda\lib\site-packages\sklearn\utils\validation.py", line 881, in check_array raise ValueError( ValueError: Complex data not supported [[-0.00667798+0.j -0.00050094+0.j] [-0.00679108+0.j 0.00760181+0.j] [-0.0068003 +0.j -0.00274455+0.j] ... [-0.00512369+0.j 0.02043165+0.j] [-0.01293088+0.j -0.00562299+0.j] [ 0.03972433+0.j -0.01824531+0.j]]

这段代码出现了一个值错误（ValueError）异常，原因是输入的数据包含了复数（complex）类型的值，但是SpectralClustering类不支持处理复数类型的数据。具体地说，异常的堆栈跟踪显示，在调用sklearn.utils....

sklearn.cluster

4. SpectralClustering: It is a clustering algorithm that uses graph theory to group together data points that are connected by edges in a graph. 5. Birch: It is a clustering algorithm that ...

sklearn.cluster模块

- SpectralClustering：谱聚类算法 此外，该模块还包括一些辅助类和函数，例如： - AffinityPropagation：基于网络传播的聚类算法 - Birch：基于聚类树的聚类算法 - MiniBatchKMeans：小批量K-Means聚类算法 - ...
zip

泰迪杯 ： 基于 python 实现 运输车辆安全驾驶行为的分析

【作品名称】：泰迪杯 ： 基于 python 实现 运输车辆安全驾驶行为的分析 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】： 在车辆运输过程中，不良驾驶行为主要包括疲劳驾驶、急加速、急减速、怠速预热、 超长怠速、熄火滑行、超速、急变道等。 针对以上运输车辆的不良驾驶行为，给出不同不良驾驶行为的判别标准，行车安全评价模型如下： 疲劳驾驶：连续行车时间超过4小时。 提取数据思路：若某一行acc_state列值为1并且gps_speed列数值大于0，则认为汽车开始启动，继续扫描数据表，直到寻找到一行gps_speed列的数值为0，则认为汽车已经处于停止状态，再根据location_time列由两个数据获取时间间隔，判断是否属于疲劳驾驶。 急加速、急减速：每两个经纬度间汽车的加速度达到或者超过20km/s^2。两个经纬度间汽车的加速 【资源声明】：本资源作为“参考资料”而不是“定制需求”，代码只能作为参考，不能完全复制照搬。需要有一定的基础看懂代码，自行调试代码并解决报错，能自行添加功能修改代码。

最新推荐

recommend-type

基于Python和Opencv的车牌识别系统实现

资源摘要信息:"车牌识别项目系统基于python设计" 1. 车牌识别系统概述 车牌识别系统是一种利用计算机视觉技术、图像处理技术和模式识别技术自动识别车牌信息的系统。它广泛应用于交通管理、停车场管理、高速公路收费等多个领域。该系统的核心功能包括车牌定位、车牌字符分割和车牌字符识别。 2. Python在车牌识别中的应用 Python作为一种高级编程语言，因其简洁的语法和强大的库支持，非常适合进行车牌识别系统的开发。Python在图像处理和机器学习领域有丰富的第三方库，如OpenCV、PIL等，这些库提供了大量的图像处理和模式识别的函数和类，能够大大提高车牌识别系统的开发效率和准确性。 3. OpenCV库及其在车牌识别中的应用 OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库，提供了大量的图像处理和模式识别的接口。在车牌识别系统中，可以使用OpenCV进行图像预处理、边缘检测、颜色识别、特征提取以及字符分割等任务。同时，OpenCV中的机器学习模块提供了支持向量机（SVM）等分类器，可用于车牌字符的识别。 4. SVM（支持向量机）在字符识别中的应用 支持向量机（SVM）是一种二分类模型，其基本模型定义在特征空间上间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM算法的核心思想是找到一个分类超平面，使得不同类别的样本被正确分类，且距离超平面最近的样本之间的间隔（即“间隔”）最大。在车牌识别中，SVM用于字符的分类和识别，能够有效地处理手写字符和印刷字符的识别问题。 5. EasyPR在车牌识别中的应用 EasyPR是一个开源的车牌识别库，它的c++版本被广泛使用在车牌识别项目中。在Python版本的车牌识别项目中，虽然项目描述中提到了使用EasyPR的c++版本的训练样本，但实际上OpenCV的SVM在Python中被用作车牌字符识别的核心算法。 6. 版本信息 在项目中使用的软件环境信息如下： - Python版本：Python 3.7.3 - OpenCV版本：opencv*.*.*.** - Numpy版本：numpy1.16.2 - GUI库：tkinter和PIL（Pillow）5.4.1 以上版本信息对于搭建运行环境和解决可能出现的兼容性问题十分重要。 7. 毕业设计的意义 该项目对于计算机视觉和模式识别领域的初学者来说，是一个很好的实践案例。它不仅能够让学习者在实践中了解车牌识别的整个流程，而且能够锻炼学习者利用Python和OpenCV等工具解决问题的能力。此外，该项目还提供了一定量的车牌标注图片，这在数据不足的情况下尤其宝贵。 8. 文件信息 本项目是一个包含源代码的Python项目，项目代码文件位于一个名为"Python_VLPR-master"的压缩包子文件中。该文件中包含了项目的所有源代码文件，代码经过详细的注释，便于理解和学习。 9. 注意事项 尽管该项目为初学者提供了便利，但识别率受限于训练样本的数量和质量，因此在实际应用中可能存在一定的误差，特别是在处理复杂背景或模糊图片时。此外，对于中文字符的识别，第一个字符的识别误差概率较大，这也是未来可以改进和优化的方向。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

网络隔离与防火墙策略：防御网络威胁的终极指南

![网络隔离](https://www.cisco.com/c/dam/en/us/td/i/200001-300000/270001-280000/277001-278000/277760.tif/_jcr_content/renditions/277760.jpg) # 1. 网络隔离与防火墙策略概述 ## 网络隔离与防火墙的基本概念 网络隔离与防火墙是网络安全中的两个基本概念，它们都用于保护网络不受恶意攻击和非法入侵。网络隔离是通过物理或逻辑方式，将网络划分为几个互不干扰的部分，以防止攻击的蔓延和数据的泄露。防火墙则是设置在网络边界上的安全系统，它可以根据预定义的安全规则，对进出网络
recommend-type

在密码学中，对称加密和非对称加密有哪些关键区别，它们各自适用于哪些场景？

在密码学中，对称加密和非对称加密是两种主要的加密方法，它们在密钥管理、计算效率、安全性以及应用场景上有显著的不同。 参考资源链接：[数缘社区：密码学基础资源分享平台](https://wenku.csdn.net/doc/7qos28k05m?spm=1055.2569.3001.10343) 对称加密使用相同的密钥进行数据的加密和解密。这种方法的优点在于加密速度快，计算效率高，适合大量数据的实时加密。但由于加密和解密使用同一密钥，密钥的安全传输和管理就变得十分关键。常见的对称加密算法包括AES（高级加密标准）、DES（数据加密标准）、3DES（三重数据加密算法）等。它们通常适用于那些需要
recommend-type

我的代码小部件库：统计、MySQL操作与树结构功能

资源摘要信息:"leetcode用例构造-my-widgets是作者为练习、娱乐或实现某些项目功能而自行开发的一个代码小部件集合。这个集合中包含了作者使用Python语言编写的几个实用的小工具模块，每个模块都具有特定的功能和用途。以下是具体的小工具模块及其知识点的详细说明： 1. statistics_from_scratch.py 这个模块包含了一些基础的统计函数实现，包括但不限于均值、中位数、众数以及四分位距等。此外，它还实现了二项分布、正态分布和泊松分布的概率计算。作者强调了使用Python标准库（如math和collections模块）来实现这些功能，这不仅有助于巩固对统计学的理解，同时也锻炼了Python编程能力。这些统计函数的实现可能涉及到了算法设计和数学建模的知识。 2. mysql_io.py 这个模块是一个Python与MySQL数据库交互的接口，它能够自动化执行数据的导入导出任务。作者原本的目的是为了将Leetcode平台上的SQL测试用例以字典格式自动化地导入到本地MySQL数据库中，从而方便在本地测试SQL代码。这个模块中的MysqlIO类支持将MySQL表导出为pandas.DataFrame对象，也能够将pandas.DataFrame对象导入为MySQL表。这个工具的应用场景可能包括数据库管理和数据处理，其内部可能涉及到对数据库API的调用、pandas库的使用、以及数据格式的转换等编程知识点。 3. tree.py 这个模块包含了与树结构相关的一系列功能。它目前实现了二叉树节点BinaryTreeNode的构建，并且提供了从列表构建二叉树的功能。这可能涉及到数据结构和算法中的树形结构、节点遍历、树的构建和操作等。利用这些功能，开发者可以在实际项目中实现更高效的数据存储和检索机制。 以上三个模块构成了my-widgets库的核心内容，它们都以Python语言编写，并且都旨在帮助开发者在特定的编程场景中更加高效地完成任务。这些工具的开发和应用都凸显了作者通过实践提升编程技能的意图，并且强调了开源精神，即将这些工具共享给更广泛的开发者群体，以便他们也能够从中受益。 通过这些小工具的使用，开发者可以更好地理解编程在不同场景下的应用，并且通过观察和学习作者的代码实现，进一步提升自己的编码水平和问题解决能力。"
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依
recommend-type

网络测试与性能评估：准确衡量网络效能的科学方法

![网络测试与性能评估：准确衡量网络效能的科学方法](https://www.endace.com/assets/images/learn/packet-capture/Packet-Capture-diagram%203.png) # 1. 网络测试与性能评估基础 网络测试与性能评估是确保网络系统稳定运行的关键环节。本章节将为读者提供网络测试和性能评估的基础知识，涵盖网络性能评估的基本概念、目的以及重要性。我们将探讨为什么对网络进行性能评估是至关重要的，以及如何根据不同的业务需求和网络环境制定评估策略。 ## 1.1 网络测试与性能评估的重要性 网络性能的好坏直接影响用户体验和业务连续
recommend-type

在永磁同步电机中，如何利用有限元仿真技术模拟失磁故障对电机性能的影响？

要了解永磁同步电机（PMSM）失磁故障对性能的具体影响，有限元分析（FEA）是一种强有力的工具。通过FEA，我们可以模拟磁场变化，评估由于永磁材料部分或完全失去磁性所引起的电机性能下降。在《永磁同步电机失磁故障的电磁仿真研究》这份资料中，您将找到构建电机模型和进行仿真分析的详细步骤。 参考资源链接：[永磁同步电机失磁故障的电磁仿真研究](https://wenku.csdn.net/doc/7f9bri0z49?spm=1055.2569.3001.10343) 首先，创建一个精确的电机模型至关重要。这包括电机的几何结构、材料属性以及边界条件。在这个模型中，永磁材料的退磁特性需要特别注意，
recommend-type

React初学者入门指南：快速构建并部署你的第一个应用

资源摘要信息:"MyFirstReactApp" ### 知识点一：Create React App入门 - **Create React App (CRA)** 是一个用于设置 React 单页应用程序的官方脚手架工具。它为开发者提供了快速启动和运行项目所需的所有配置，包括构建工具、开发服务器和测试运行器。 - **入门项目**通常包含一个基本的 React 应用程序结构，包括入口文件、组件模板和一些默认配置。 ### 知识点二：可用脚本 - **npm start**: 在开发模式下运行应用程序。此命令启动一个开发服务器，并且通常会自动打开默认浏览器窗口来查看应用程序。当源代码文件被修改时，应用程序会自动重新加载，并显示lint（代码质量检查工具）错误于控制台。 - **npm test**: 启动一个交互式的测试运行器，允许运行测试套件，并实时查看测试结果。此命令常用于开发过程中，以便在代码更改后快速进行测试。 - **npm run build**: 将应用程序构建为生产版本，生成优化后的代码并打包到一个名为`build`的目录中。构建过程包括代码分割、压缩和哈希命名等优化措施，以确保最终产品具有最佳性能。 - **npm run eject**: 这是一个不可逆的操作，它将所有在 CRA 创建的项目的配置文件暴露出来，包括webpack、Babel、ESLint等工具的配置，允许开发者对底层构建配置进行完全的自定义。 ### 知识点三：React 应用程序构建优化 - **生产构建优化**包括代码压缩、压缩图片、移除未使用的代码、模块热替换（HMR）和提取公共资源等。这些优化可以显著减少应用程序的负载时间，并改善用户体验。 - **构建产物的文件命名包含哈希值**是为了确保在部署后，浏览器会加载新的代码而不是使用缓存中的旧文件。 ### 知识点四：JavaScript - **JavaScript (JS)** 是一种高级的、解释型的编程语言，是Web开发中最主要的脚本语言。它用于开发网页上的交互功能，是构建现代Web应用程序不可或缺的一部分。 - **React 是使用JS编写的**，它提供了声明式视图层，允许开发者以组件的形式构建用户界面。React的应用程序是基于组件的，每个组件负责渲染一部分UI，并且可以相互嵌套。 ### 知识点五：项目目录结构 - **MyFirstReactApp-master**文件名暗示了项目可能包含以下目录结构： - **src**: 存放源代码，包括JSX文件、CSS样式文件等。 - **public**: 存放公共文件，如index.html，该文件是最终构建输出的入口点。 - **node_modules**: 存放所有npm包，这些包是项目依赖。 - **package.json**: 包含项目的配置信息、依赖和可运行脚本的入口文件。 - **build**：生产构建输出目录，包含压缩和优化后的代码文件。 通过这些知识点，我们可以了解到创建一个基础的React应用程序的过程，包括其运行环境的设置、开发和生产环境下的运行方式，以及项目构建优化的细节。同时，了解JavaScript在React应用程序中的核心地位，以及如何使用Create React App来简化开发流程。这些知识对于初学者来说是学习React及其生态系统的重要基础。
recommend-type

关系数据表示学习

关系数据卢多维奇·多斯桑托斯引用此版本：卢多维奇·多斯桑托斯。关系数据的表示学习机器学习[cs.LG]。皮埃尔和玛丽·居里大学-巴黎第六大学，2017年。英语。NNT：2017PA066480。电话：01803188HAL ID：电话：01803188https://theses.hal.science/tel-01803188提交日期：2018年HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaireUNIVERSITY PIERRE和 MARIE CURIE计算机科学、电信和电子学博士学院（巴黎）巴黎6号计算机科学实验室D八角形T HESIS关系数据表示学习作者：Ludovic DOS SAntos主管：Patrick GALLINARI联合主管：本杰明·P·伊沃瓦斯基为满足计算机科学博士学位的要求而提交的论文评审团成员：先生蒂埃里·A·退休记者先生尤尼斯·B·恩