基于主成份分析的Bagging集成学习方法

机器学习中数据集的冗余特征会影响学习器的泛化能力，一些流行方法如支持向量机和集成学习也难免于此．研究了利用主成份分析进行特征变换对Bagging集成学习算法的影响，提出一种称为PCA—Bagging的算法，并与其它算法比如单个支持向量机、支持向量机Bagging集成、带有特征变换的单个支持向量机等进行了性能比较．在多个UCI标准数据集上的实验表明PCA—Bagging算法具有更好的性能，这说明即使是泛化能力很强的集成学习方法其学习的数据也需要进行适当的特征变换。     

基于特权管理基础设施PMI的UML表示

首先对特权管理基础设施PMI和统一建模语言UML进行了介绍.然后利用UML中的用况图,系统顺序图和交互图(协作图、顺序图)来描述了PMI中的相关概念,建立了一个基本的PMI中部分功能的UML分析模型.     

UML建模技术在智能故障诊断系统中的应用

智能故障诊断系统是电站仿真系统中的重要部分,它根据采集到的数据或经转换过的参数进行推理、判断出发生故障的设备.推理诊断采用专家系统和不确定性推理的技术.本文以UML(统一建模语言)为工具,对智能故障诊断系统进行面向对象分析、设计和建模.     

基于部件的涵洞CAD系统

根据涵洞CAD系统的总体设计的功能要求,结合涵洞的结构特点、涵洞设计要求及面向对象的编程方法,提出基于部件的涵洞CAD系统开发方法和涵洞CAD系统的部件划分方法,并开发了基于部件的涵洞CAD系统。在生产实际中的应用表明,该系统具有较强的适应性、可扩展性以及易维护的特点。     

平行双回线路单回线不对称故障时提取故障分量的新方法

针对传统的只能在故障后2到3个周波提取故障分量的缺点,提出了单回线不对称故障在整个故障过程提取故障分量的新方法.该方法在平行双回线路的六序故障分量理论和单回线不对称故障复合序网图的基础上,根据同向网正、负序电流分布系数相等和反向网正、负序电流分布系数相等的特点,用正、负序电流反向量和负序电流同向量间接求得正序电流同向量的故障分量,进而合成得到每回线各相电流的故障分量.该方法不受负荷电流和电网参数波动的影响.PSASP和MATLAB仿真表明,通过该方法得到的故障分量同实际故障分量相同,而且可以长时间提取.     

内蒙古18个人群13项遗传指标的聚类分析与主成分分析

对内蒙古18个人群的13项遗传指标(拇指类型、环食指长、指甲类型、足趾长、蒙古褶、上眼睑皱褶、铲形门齿、鼻梁侧面观、鼻孔形状、下颏类型、耳垂、前额发际、头发)出现率值进行了聚类分析与主成分分析.聚类分析结果显示,18个人群可分为4个组:东部区少数民族组、西部区组、中部区蒙古族组、兴安盟汉族与阿拉善蒙古族组.主成分分析显示,尽管民族间通婚已日趋普遍,在一些形态特征方面,同一民族仍表现出较强的一致性.蒙古族诸人群窄鼻孔率与有耳垂率相对较高.西部区汉族人过伸拇指率、扁形指甲率、窄鼻孔率、有耳垂率均较低.研究还表明,科尔沁蒙古族人、厄鲁特蒙古族人、达斡尔族人关系密切,锡林郭勒蒙古族人、察哈尔蒙古族人关系密切.     

对气测录井烃组分三角形图解法的研究

气测录井是通过分析钻井液中石油和天然气中的烃类气体、氢气、二氧化碳气体来发现和评价油气层的技术.三角形图解法是评价油气层的方法之一,本文用数学分析的方法得出了与三角形图解法相关的关系式,将繁琐、不精确的做图法换成简单的运算,不仅改进了工作方法,而且极大地提高了精度.     

基于SuperMap的数字高校系统的设计与实现

目的 对数字高校系统的设计和实施进行描述和分析。方法 在StlperMap的GIS组件开发平台的基础上利用VB的集成环境的二次开发。结果 建立了一个基于SuperMap开发平台的设计思路的地理信息管理系统——数字西大。结论 数字西大作为数字社区的具体实现，对于数字城市的开发将具有有益的借鉴作用。     

三波长线性回归光度法同时测定苯二酚异构体

对吸收峰严重重叠的邻苯二酚、问苯二酚和对苯二酚三组份体系同时测定进行了研究。提出了三波长线性回归光度法，即以283．5、279．5、276．5nm三波长为三种苯二酚的测量波长，按正交设计表I25(5^6)配置25组标准混合溶液，对三种苯二酚进行线性回归；同时测定了模拟混合样本中的邻苯二酚、对苯二酚和间苯二酚含量。测量结果表明，邻苯二酚和对苯二酚在浓度低于8μg／mL时误差稍大，绝大部分分析结果相对误差小于5％．测量体系稳定．结果可靠。     

乳腺癌诊断指标的数理统计分析

以UCI机器学习知识库提供的683个乳腺癌数据为基础，利用相关分析、逐步线性回归和主成分分析等数理统计方法，对用于诊断检测乳腺癌各指标间的相互关系及主要判断指标进行了深入研究，指出细胞大小的均匀性(X2)、细胞形状的均匀性(X3)是检测乳腺癌诸指标中最重要的指标。