基于互信息的粗糙集信息检索模型

在信息检索过程中，由于文档中存在大量的多义和近义现象，导致不确定性出现，这将影响检索的性能.为此采用基于互信息的粗糙集理论来处理这类不确定性问题.首先计算训练文档集中的词之间的互信息，对互信息做模糊聚类来构造词之间的等价关系，然后借助于该等价关系提出并实现了一个以粗糙集上下近似为基础的信息检索模型，通过实验的测试，该模型能够提高信息检索的效率.     

比值居民地指数在城镇信息提取中的应用

TM图像中由于裸地与城镇光谱特征相似，利用传统的分类方法难以区分二者，城镇提取精度很难令人满意针对这一问题，本文提出了一种新的方法即比值居民地指数（RRI）法用于城镇信息提取，同时与最大似然监督分类法作对比，研究结果表明，RRI法（精度达87.50％）优于最大似然分类法（精度为78．13％），是一种提取城镇居民地信息的理想方法，尤其适合裸地较多的干旱半干旱地区．     

球解码的一种改进方法

球解码是最大似然(ML)检测的一种有效算法,如何进一步降低球解码算法的复杂度引起了人们注意。文中在传统球解码CL的一种改进算法(KCL算法)基础上,提出了一种新的快速球解码算法。该改进算法在保证误码性能的前提下,通过系数k(d2=k*d^2)对信噪比的加权计算得到系数k的不同值,在低信噪比下k趋近于0.1;在高信噪比下k趋近于1,进而实现在CL算法中不同的信噪比下半径搜索的深度不同。仿真结果表明了这种改进方法的有效性,最后得出如果允许误码性能的微量下降,将获得算法复杂度的显著降低的结论。     

整数矩阵及其应用

首先给出了整数矩阵的定义及性质,然后讨论了它在求整数的最大公因数和解整系数不定方程中的应用.     

含隐变量和选择偏差的图模型中的因果推断

Bayes网络常用于多变量间的因果推断,但当存在未观测的隐变量和选择变量时,这种图模型往往无法正确描述观测变量间的因果关系。作者利用在观测变量上构造的最大祖先图模型刻画观测变量间的独立性关系和因果结构,并提出了具体的实现算法,从而可由观测数据来推断这类不完全观测下的部分因果关系。     

一种基于FP-tree的最大频繁项目集挖掘算法

挖掘最大频繁项目集是许多数据挖掘中的关键问题．为克服早期基于Apriori的最大频繁项目集算法中的缺点,相继有多种挖掘最大频繁项目集方法被提出．其中对基于FP-tree的最大频繁项目集挖掘算法比较多,但对FP-tree中的结点的频度计数关注的很少．通过对FP-tree结构进行了仔细分析后,在FP-tree中结点的频度计数和集合理论的基础上,提出了一种新的最大频繁项目集挖掘算法USDMFIA(using set to discover maximum frequent itemsets algorithm)．通过分析比较,显示此算法是有效的．     

伽马射线暴从何而来——观测卫星正在日益揭开产生宇宙中最大规模伽马射线暴的神秘天体

“伽马射线暴”是指在遥远的宇宙深处产生能量强烈释放，导致在极短的时间之内，就有大量的伽马射线降临地球的现象。这种宇宙伽马射线暴究竟来自何处？很长时间以来都是一个谜，甚至被称为“天文学界的最大谜团”。近年来，随着人造观测卫星技术和数量的不断进步，人类正在逐步揭开宇宙伽马射线暴的起源之谜。特别是自2005年以来，利用美国的“雨燕”号探测器和日本Here-2号观测卫星的观测结果，更让人们在研究宇宙伽马射线暴的追本溯源方面，取得了比较大的进展。另外，在追踪宇宙伽马射线暴的研究过程中，使得人们对宇宙的诞生和演化等其他谜团，也有了更深刻的认识。本文所述正是有关宇宙伽马射线暴的研究方面的最新进展。[编者按]     

最大熵和Brill方法结合识别英语BaseNPs

为了进一步提高基本名词短语(BaseNPs)的识别精度,针对最大熵方法和Brill方法各自的特点,提出基于两者相结合的英语基本名词短语识别算法.该算法是在高准确率词性标注的基础上实现的.在训练和测试两个阶段中,均先采用最大熵方法识别基本名词短语,然后将已具有很高精度的识别结果作为初始标注结果运用于Brill方法中.实验结果表明,此联合算法达到了94%的准确率和召回率,充分融合了最大熵方法和Brill方法的优点,可与基于相同训练和测试语料的目前最理想的英语基本名词短语识别结果相比.     

快速挖掘最大频繁项目集的新算法

针对关联规则下最大频繁项目集的特性,提出了一种快速挖掘最大频繁项目集的新算法MMFI(miningmaximumfrequentitemsets)。该算法摆脱了传统的经典算法Apriori及其变种情况下的自底向上的搜索策略,利用集合枚举树(set enumerationtree)的变形结构采取了自顶向下的新的搜索方式,并通过其独特的启发式判断策略、候选项目集的生成策略等,大大减少侯选项目集的生成,从而降低了CPU搜索时间,提高了挖掘效率。     

非线性时序的混沌特性分析与预测

非线性时间序列相空间重构过程中的参数选择问题以及有效的预测方法一直是该领域研究的热点和难点，基于虚假最近邻域概念，同时确定最佳的嵌入维数m与时间延迟τ，对实际非线性时间序列进行相空间重构，求解出时间序列最在Lyapunov指数LE，验证了其中混沌特性，其可预报尺度为[1／LE]．并应用基于[1／LE]个输入神经元与Kenya提出的m：2m：m：1这两种人工神经网络结构对非线性时间序列进行训练和预测，预测结果的平均误差分别为4％和2％左右，后一种神经网络结构能提供更好的预测结果。