基于布尔矩阵的决策形式背景协调集判断方法

本文利用布尔矩阵表示决策形式背景,把论域的子集（属性的子集）用特征向量函数刻画,借助布尔矩阵运算给出决策形式背景协调集判断的新方法.该方法仅利用布尔矩阵运算,就可求解形式背景中对象子集内涵与属性子集外延,判定出决策形式背景中的协调集.与已有决策形式背景的协调集判断方法比较具有新颖简单、计算量小的特点.     

可快速编码的准循环LDPC码设计

由于LDPC码的生成矩阵是非稀疏的,当LDPC码较长时,存储一个庞大的生成矩阵很困难,通过生成矩阵来编码也有较高的时间复杂度. 为了解决LDPC码的编码复杂度问题,该文提出一种可快速编码的准循环LDPC码设计. 不同于其他准循环码,所设计的准循环码校验矩阵除具有准循环特性外,还引入了具有准双对角线结构的子矩阵,使校验矩阵具有近似下三角结构. 该结构的校验矩阵可采用Richardson提出的快速编码算法直接通过校验矩阵进行编码,避免了采用生成矩阵编码带来的存储难度与时间复杂性. 在AWGN信道下的仿真结果表明,该文设计的LDPC码在不同码长、码率情况下均有很好的BER性能.     

一种协调信息系统的快速求核算法

属性核的确定对于求属性约简具有重要的意义,利用协调信息系统中条件属性的划分相对于决策属性划分的概率分布为单点分布的性质,提出一种新的求核算法.采用多个UCI数据集进行实验,结果表明该算法的效率高于基于辨识矩阵和基于信息熵的求核算法.     

一种因子化的稀疏矩阵转置算法

在定义了二元组结构的基础上,对稀疏矩阵中非零元素的行、列坐标值进行因子化,以此实现了一种新的稀疏矩阵压缩存储结构.并在应用该压缩存储结构的基础上,提出了一种稀疏矩阵转置操作的改进算法.该算法较传统算法而言,在时间复杂度不变的前提下将空间复杂度降低了30％.     

一种改进的局部离群数据检测算法

针对传统局部离群数据检测算法时间复杂度高、参数鲁棒性差的问题,在基于连接的异常因子(Connectivity based outlier factor,COF)算法的基础上,提出了一种基于聚类和密度的局部离群数据检测算法。利用聚类方法从原始数据集中筛选出候选离群数据集,来降低算法的时间复杂度;在进行数据对象之间距离计算时,引入信息熵的概念确定数据对象的离群属性,以提高算法的检测准确率。确定数据集的离群属性后,采用新的局部链接离群因子(Local connectivity based outlier factor,LCOF)度量候选离群数据集中数据的离群程度。此算法在保证检测准确率的前提下,降低了时间复杂度和检测准确率对参数的依懒性。仿真结果证明了所提方法的有效性和可行性。     

基于Floyd方法的最短路径算法优化算法

最短路径算法在各领域广泛应用,传统研究方法主要集中在算法应用及单一优化,将两种优化方法集于一体的算法很少.以兰州—北京的铁路运输系统实例,利用Floyd与Dijkstra算法结合、代码优化的方法优化传统Floyd算法.结果表明:优化后的算法在很大程度上减少了运算次数和时间,提高了算法的时间及空间复杂度,算法效率较高.     

带执行器饱和的单输入系统不变椭圆的一种解析描述

给出了一个椭圆为执行器饱和单输入系统的收缩不变集的一个充分必要条件.该条件利用二次不等式的形式给出.该二次不等式的系数由反馈增益矩阵,系统矩阵和椭圆形状所确定.如果该椭圆是不变椭圆,通过解该二次不等式可以得到该椭圆的最大半径.给出的方法直接并且是解析的.在一定的条件下,该二次不等式可以转化成线性矩阵不等式,从而可以用有效的数值方法求解.数值例子验证了方法的有效性.     

一种基于特征组合和卷积神经网络的心脏病预测新方法

针对心脏病预测难的问题,提出了一种基于特征组合和卷积神经网络的心脏病预测方法。通过特征工程对数据进行预处理,减少噪声干扰;使用特征组合算法增强样本属性关联,生成特征矩阵;设计卷积神经网络对特征矩阵进行更高级抽象。该方法在UCI Heart Disease数据集上达到了0.898 9的预测精度,优于SVM、集成学习等传统机器学习方法,可作为相关领域专家判断的重要参考。     

基于语义的Ontology聚类研究

提出了一种基于语义的Ontology相似性计算方法,该方法不仅考虑概念本身的相似性,还考虑了属性集合和相关概念集合的相似性,通过概念基本相似性极限控制属性集合相似性计算的范围,通过语义半径控制相关概念的范围.以基于语义的Ontology相似性方法计算Ontology聚类的相似性矩阵,采用凝聚层次聚类算法实现Ontology聚类.实验表明:基于语义的Ontology聚类能够获得满意的效果,在性能上优于使用oMAP相似性方法的Ontology聚类.     

基于概率语言术语集可靠性度量的VIKOR决策方法

针对概率语言术语集(PLTS)的多属性决策问题,提出了一种基于PLTS可靠性度量的多属性决策方法.首先根据PLTS的内在特征,定义了新的犹豫度度量指标和可靠性度量函数;其次根据专家的原始评价信息的可靠性度量和专家评价意见的相似性度量确定了专家的属性权重;另外考虑到缺失概率的存在,提出了基于可靠性度量的归一化方法;进一步,将新定义的概率语言集的可靠性度量应用到VIKOR的多属性决策方法中,基于此得到综合评价矩阵;最后通过一个实例来验证该方法的实用性和有效性.     

集值决策信息系统及其知识约简

文章在集值决策信息系统中提出了一种新的基于变精度参数分类的二元关系,即变精度相容关系,可以通过改变精度参数来使分类更合理;同时,还讨论了基于这种二元关系的集值信息系统的知识约简及其属性特征,并给出了可辨识矩阵.     

一种新的相似性度量及其在DNA序列相似性分析中的应用

衡量序列之问距离的传统方法是通过局部比对或者全局比对来实现的,其运算的时间复杂度和空间复杂度随着序列长度的增加而急剧上升.本文提出一种新的相似性度量.它是建立在Lempel-Ziv复杂度基础之上的,不需要通过序列之间的比对来实现,其时间和空间复杂度比传统方法降低了很多.用这种新的相似性度量的方法可以算出序列同的相似性矩阵,以此来刻画不同序列之间的距离.为了说明此方法的可靠性,最后对多个物种DNA序列作了相似性分析.     

信息系统中属性重要性的等价刻画

信息系统是一个具有对象与属性关系的数据库,揭示属性的本质特点、刻画属性的重要性是考虑各类约简问题的基础.本文改进了已有的基于等价关系的属性重要性的度量,并给出了基于划分的属性重要性的刻画,在一定程度上简化了相关运算步骤,提高了运算效率.     

基于条件信息熵的粗糙集属性动态约简

属性约简是粗糙集理论的热点研究内容之一,从信息论出发,提出一种新的信息熵定义.约简算法从条件信息熵出发,迭代选择属性重要性最大的属性,得到信息系统的约简.在此基础上,构造基于条件信息熵的不完备信息系统的动态属性约简算法.在删除单个对象的情况下,新算法通过新的数据集有无删除对象的不可区分对象来判断是否更新原有约简.通过实例说明算法的有效性和可行性.     

变时滞静态神经网络的不变集和周期吸引子

利用M-矩阵的性质及矩阵不等式的分析技巧,研究变时滞静态神经网络的不变集、全局吸引集和全局周期吸引子.去掉了fj在R上的可微性条件以及有界性的限制,给出了较弱的判定变时滞静态神经网络的不变集、全局吸引集和全局周期吸引子的充分条件.特别的,对全局周期吸引子的存在范围进行估计.     

基于区间型多属性决策的供应链合作伙伴选择

针对不确定环境下的供应链合作伙伴的选择问题,给出了一种属性值为区间数的多属性决策方法.该方法先对决策矩阵进行规范化处理,再对各方案的属性值进行加权集成,获取各方案的综合评价值的区间数,然后利用区间数比较的可能度矩阵,对其进行比较,从而得到方案集的排序.通过具体实例说明了该方法的实用性和有效性.     

Vague值转化Fuzzy值的一种偏势方法

在联系数理论与Vague集理论基础上,提出了一种新的Vague值转化Fuzzy值的偏势方法.分析了相关文献的不足与缺陷,认为Vague值转化Fuzzy值的本质是对Vague值中未确知度趋向支持度的一种偏势变化.最后讨论了该转化方法满足的准则、可分辨性及可行性等,并通过实例比较了该方法的实用性.     

多元时间序列的相似性匹配

常用多元时间序列相似性匹配方法难以在高效刻画局部形态特征的同时考虑各变量间的相关信息. 针对此问题,提出一种动态窗口内多维拟合分段方法. 基于序列的局部形态特征抽象出各变量维度上拟合线段的倾斜角及持续时间,组成模式表示矩阵,并借助一种多元模式距离实现序列的相似性模式匹配. 与主成分分析法、基于点分布特征的匹配法对不同数据规模的数据集进行对比,验证了该方法的有效性,特别对于多变量、不等时间跨度的中等规模多元时间序列相似性匹配具有较好的效果.     

结合FAHP与模糊COPRAS的机床设备优选方法

针对机床设备的最优选择问题,提出一种结合模糊层次分析(FAHP)法与模糊复杂比例评价(COPRAS)法的优选方法.首先,基于生产需求和专家知识确定机床性能的主要属性和候选机床方案.然后,根据以三角模糊数表示的专家判定,构建各属性间的模糊比较矩阵,并利用FAHP方法获得各属性的重要性权重.接着,构建各属性与备选方案之间模糊决策矩阵,并将其与属性权重相乘获得加权归一化决策矩阵.最后,利用模糊COPRAS方法对决策矩阵进行分析,获得各备选方案的效用度,从而选择出最优备选方案.以铣削机床优选为案例进行分析,结果表明该方法具有可行性和有效性.     

基于最优样本子集的在线模糊LSSVM混沌时间序列预测

提出一种基于最优样本子集的在线模糊最小二乘支持向量机(least squares support vector machine,LSSVM) 混沌时间序列预测方法. 算法选择与预测样本时间上以及欧氏距离最近的样本点构成最优样本子集,并采用" 不敏感函数对其进行模糊化处理,通过模糊LSSVM 训练获得预测模型. 随着时间窗口的滑动,最优样本子
集和预测模型实时更新,模型更新采用分块矩阵方法降低运算复杂度. 实验中对时变Ikeda 序列进行预测,表明所提出的方法与离线和在线LSSVM 相比,训练速度更快,预测精度更高.