SCC--利用分类技术改进的短摘要比较方法

搜索引擎返回结果的摘要的特点在于文档长度短,大部分关键字最多只出现一次,因此传统文档比较方法所使用的TF-IDF、夹角余弦等方法对摘要比较失去了作用.为了改进传统文档比较方法,该文利用分类技术对短摘要信息进行扩充,以改进摘要比较.将两个摘要分别与参照物进行比较,在较大的一个文档集合中找到与摘要相近的文档集合.用这些文档集合扩充短摘要的含义,以替代短摘要来衡量摘要相似度.实验结果表明,使用改进后的摘要比较算法,相关集合的DCG指标有了明显改进.     

关于四元数除环的性质

本文主要得到了以下结果定理1 域F可以扩充为(或嵌入)四元数除环的充要条件是F为有序域.定理2 设Q_(F_1)分别是由有序域F扩充得到(即嵌入)的四元数除环.则Q_(F_1)与Q_(F_2)同构的充要条件是F_1与F_2同构.定理6 四元数除环的集合是不可数的.     

一个生成组合的新算法

文章发现了一个生成集合{1,2,...,n}的所有组合的新算法,不仅其理论是初等的,且算法程序化特别容易.利用集合{1,2,...,n}的组合与n位二进制数之间的一一对应关系,该算法从n位二进制数00...0开始,仅仅使用当前n位二进制数一次一个地生成下一个n位二进制数,直到得到最后n位二进制数11...1时算法终止....     

关于矩阵per－相合数值域的一种扩充

对于Ａ∈Ｃｎ×ｎ扩充的ｐｅｒ－相合数值域是指集合笔者证明了当ｎ≥３时，ＲｎＴｎ（Ａ）在复平面上为中心在原点的圆面．     

实数的扩充及极限运算的代数化

实数理论是数学分析的基础,由有理数扩充到实数有几种方法,Cantor 由等价的Cauchy 有理数列引入实数。然而由等价的Cauchy 实数列则得不到新的数。本文去掉Cauchy 列的限制,而考虑一般的实数列以及有界实数列,然后按等价关系进行分类,由此得到实数集合R 的扩充G、K,R(?)K(?)G。文叶同时建立了新数系G、K 的代数结构:在G 中可进行加、减、数乘运算,而在K 中可进行加、减、乘运算,略加限制后,除法也可进行。此外,还建立了序的关系,而这些运算与序关系在实数的特殊情况下,完全一致。最后,通过一些具体的例子来说明这个理论的一个初步应用,即极限运算的代数化。     

直觉模糊集合的基本定理

直觉模糊集合是模糊集合的扩充,而模糊集合是经典集合的扩充,因此直觉模糊集合与经典集合也有着密切的关系。表现直接模糊集合与经典集合关系的是直觉模糊集合的分解定理与表现定理。本文在K.Atanassov引进直觉模糊集的基础上,给出它的分解定理、表现定理。从而使模糊集合的基本定理得到进一步的推广。     

弹塑性区域模糊信息研究

本文通过隶属度概念的引入,从不同角度建立隶属函数关系,将经典力学中划分弹、塑性变形的{0,1}二值集合扩充为[0,1]区间上的多值集合。     

中间图的邻点强可区别全染色

通过分类讨论、归纳探究,在图的点边集合与色集合间构造了一种一一对应关系来研究路和圈的中间图的邻点强可区别全染色,并得到了它们的邻点强可区别全染色数.     

中文评教文本分类模型的研究

用文本分类的方法找出中文评教信息的情感倾向,使学生主观评价里蕴含的信息得到有效利用,是对现有评教系统的必要补充．采用基于潜在语义分析的方法对文本向量降维,并用支持向量机的分类方法对目标文本进行分类,得到每一条主观评价的情感倾向．分析了特征选择、特征抽取方法、降维维数、词性、训练集合与测试集合样本的比例等几方面对分类的影响,找到了较好的中文评教文本分类模型．     

基于信息增益和GEP的决策树属性约简算法

分类是数据挖掘的一个重要研究方向,使用决策树进行分类是一种常用而且高效的分类方法。目前传统的算法有ID 3、C 4.5、CART等,这些算法都有如下的局限性:必须人工输入归类集合,划分属性,确定最优的分类集合。为了解决这些问题,本文做了如下工作:①提出信息增益排列GEP染色体头部的思想;②给出基于信息增益的GEP构造决策树属性约简算法(IG-GEPDTAR)并用实验进行验证;③实验表明该算法构造的决策树在具有100%准确性的同时,比使用GEP算法构造的决策树减少了冗余分支,其节点数比传统的ID 3算法和P ID算法构造的决策树的节点数分别减少了82.9%和31.2%。     

一种支持向量集合的精简算法

由支持向量机算法得到的支持向量集合通常不是分类所必需的最小集合，冗余支持向量的存在降低了支持向量机的分类速度和实用化能力．为此，提出一种精简支持向量集合的新方法，给出了从原支持向量集合中识别和剔除冗余向量、生成新支持向量集合并确定其元素权值的算法．新方法尤其适用于样本规模大、支持向量数目多的分类问题．实验表明它能够在基本不降低支持向量机分类精度的前提下，大幅度地减少支持向量的数目，提高支持向量机的分类速度．     

路,圈的倍图的染色问题

通过分类讨论、归纳探究,在图的点边集合与色集合间构造了一种一一对应关系.通过这种新关系,研究了路和圈的倍图的邻强边染色以及路的倍图的均匀邻强边染色,得到相应的色数,并给出了具体的染色方案     

分类属性高维数据基于集合差异度的聚类算法

提出基于集合差异度的聚类算法. 算法通过定义的集合差异度和集合精简表示,直接进行一个集合内所有对象总体差异程度的计算,而不必计算两两对象间的距离,并且在不影响计算精确度的情况下对分类属性高维数据进行高度压缩,只需一次数据扫描即得到聚类结果. 算法计算时间复杂度接近线性. 实例表明该算法是有效的.     

对关系的认识

在非空集合上引入各种关系,目的在于对集合中的元素信息进行研究时,可以借助于关系从其它元素的信息得到帮助。关系的性质是对关系进行限制,性质的闭包是对不具有指定性质的关系进行最小扩充。函数是一种特殊关系,图是关系的直观表示。     

分类属性数据聚类算法HABOS

CABOSFV_C是一种针对分类属性高维数据的高效聚类算法,该算法采用集合稀疏差异度进行距离计算,并采用稀疏特征向量实现数据压缩。该算法的聚类效果受集合稀疏差异度上限参数的影响,而该参数的选取没有明确的指导。针对该问题提出基于集合稀疏差异度的启发式分类属性数据层次聚类算法( heuristic hierarchical clustering algorithm of categorical data based on sparse feature dissimilarity,HABOS),该方法从聚结型层次聚类思想的角度出发,在聚类数上限参数的约束下,应用新的内部聚类有效性评价指标( clustering validation index based on sparse feature dissimilarity, CVISFD)进行启发式度量,从而实现对聚类层次的自动选取。 UCI基准数据集的实验结果表明,HABOS有效地提高了聚类准确性和稳定性。     

基于多稳态特性与灰度差异熵的图像背景Python扩充方法

图像应用范围逐渐扩大,相关技术发展迅速,其发展的主要支撑是大规模的图像数据集合。现有公开资源以图像目标数据集合为主,而背景数据集合较少,并且内部数据体量较小,制约了图像相关技术的发展与应用,故提出基于多稳态特性与灰度差异熵的图像背景数据Python扩充方法。基于图像背景与目标的灰度熵差异,选取灰度熵阈值分割原始图像,获取图像背景区域,采用KNN算法深度挖掘背景数据,应用多稳定特性构造混沌序列,加密处理图像背景数据,通过Python制定图像背景数据并行扩充程序,执行制定程序即可实现图像背景数据的扩充。实验数据显示：提出方法获得的图像背景区域分割效果更好,图像背景数据扩充量最大值为1 800 MB,充分证实了提出方法应用性能更好。     

“集合与对应”教材分析

现行中学数学教材中增加了“集合与对应”的内容。本文试就这部份的教材内容作一简单分析,可供教师备课时参考。一、集合在高中阶段,对集合论的介绍仅是基本知识的简要说明,不能搞成专论。所以不能无限制地扩充教材内容。对于教材中未明确提出的集合的运算律,也不要随便提出更高的要求。集合概念及其他代数运算是重点。而集合概念是难点,概念多、头绪多、符号生疏,增加了这部份的学习困难。 (一)集合概念 1.集合概念是最原始概念,任何定义总是同义反复。所以一般采取描述的方法,指出集合的意义。象点、直线、平面一样都是不定义概念。例如:“集合是确定事物的集体”。什么是“集体”?集体与集合是一样的东西。再如:“把具有某种属性的一些对象看作一个     

四符号动力学星花积的压缩特性

在四符号动力学星花积中，第2个符号序列的可选集合可从压缩的角度扩充至整个四符号空间，包括该空间中的点，线，面。     

拓扑Hausdorff维数的一种计算方法及其应用

介绍平面上集合的拓扑Hausdorff维数的一种计算方法,此方法是根据集合的几何特征构造它的一个基,利用基的边界的Hausdorff维数获得该集合的拓扑Hausdorff维数.利用此方法计算了一类分形方块的拓扑Hausdorff维数.     

奇异正交几何与对称结合方案

推广并利用特征数不为２的有限域上的扩充正交群在奇异正交几何的子空间集合上的可迁性，给出了有关子空间的一个计数定理，并用２维全迷向子空间作处理构作了一个有多个结合类的对称结合方案，计算了全部参数．