A Project Risk Ranking Approach Based on Set Pair Analysis

Set Pair Analysis （SPA） is a new methodology to describe and process system uncertainty. It is different from stochastic or fuzzy methods in reasoning and operation, and it has been applied in many areas recently. In this paper, the application of SPA in risk ranking is presented, which includes review of risk ranking, introduction of Connecting Degree （CD） that is a key role in SPA., Arithmetic and Tendency Grade （TG） of CDs, and a risk ranking approach proposed. Finally a case analysis is presented to illustrate the reasonability of this approach. It is found that this approach is very convenient to operate, while the ranking result is more comprehensible.     

不完全信息下概率决策的扩展粗糙集方法

为了从不完备多属性决策系统中获取概率决策规则，提出了一种不完全信息下概率决策的扩展粗糙集方法. 给出了容差关系下相容度的概念，通过设定相容阈值给出知识的粗糙下近似、上近似和边界域，然后讨论了粗糙近似的基本性质和概率决策规则的获取.通过实例说明这个新方法的可行性和有效性.     

多时滞型种群对数模型的周期正解

通过更精确的先验估计,利用重合度理论中的连续定理,研究了一类时滞种群模型的周期解,获得了这类模型存在正周期解的充分条件,所得结果推广了有关结论,并使条件有所减弱.     

泛圈图的一个充分条件

在文[1]中给出定理,设G是一个n-阶2-连通图且δ（G）≥t,若对于G的任意两个不相邻的点u和v,均有｜N（u）∪N（v）｜≥n-t成立,则G是一个泛圈图或G≌Kn/2,n/2.本文的目的在于将此定理的条件减弱,只对图中距离为2的点进行讨论,得出了泛圈图的一个充分条件.文中主要用数学归纳法对定理进行证明,先在引理中给出了几种特殊情况的证明,接着在定理的证明中讨论了一般情形.     

一种面向个性化网络学习的协同学习任务生成方法

提出了一种面向个性化网络学习的协同学习任务自动生成方法.该方法以学习目标与学习小组中学习者的个性特征为输入,通过基于学习者认知水平的协作成员分组和基于耦合度的协同学习模式分配,生成符合学习者群体个性特征的协同学习任务,从而有效地解决了网络学习中个性化学习与协同学习相结合的问题.该方法已在实时教学系统中进行了测试,结果表明,相对无指导的协同学习,根据此方法所生成的学习任务的协同学习可有效提高学习效率.     

基于案例推理中特征权重自动学习方法研究

讨论基于案例推理中特征权重的自动学习方法．通过分析现有的一种利用粗糙集理论进行权重自动学习的算法，指出了该算法中存在的一些问题，最后提出了一种改进的权重自动学习算法，并通过实例对两种算法进行了比较．     

矿粉与水泥的密堆及其对矿渣水泥的性能影响

将一系列经超细粉磨处理的矿渣微粉以不同比例与一定细度的水泥进行匹配 ,制成一系列矿渣水泥试样 ;根据Dinger Funk的数学模型得出粉体最佳颗粒群分布 (即堆积密度达最大的分布 ) ;通过水泥与矿粉的激光粒度检测结果 ,计算各矿渣水泥的实际颗粒群分布 ;运用灰色关联分析原理 ,考察各矿渣水泥试样的颗粒群分布与Dinger Funk最紧密堆积颗粒群分布的相关性 ;对各矿渣水泥进行标准稠度用水量以及硬化浆体的孔隙率等测定 .结果证明 :当矿渣水泥颗粒分布与最紧密堆积的关联度较高时 ,相应的矿渣水泥标准稠度用水量较少 ,硬化浆体孔隙率较低 ,胶砂强度较高 .     

基于神经动力学系统的关联推理模型

关联关系是事物之间普遍存在的一种关系,过去,由于受串行逻辑化表达方式的制约,该关系并没有得到很好的表述.本文从关联关系的内涵出发,揭示了它所蕴含的并行性的实质,并且以神经动力学系统作为工具,建立了关联推理的基本模型.实验证明,这种模型能够更好的体现事物的整体特性,更加符合认知学中的"整体优势"观点.     

关于图同构复杂性的一点补充

在图G=(V，E)中，删除其度数最大的顶点及其关联的边，在余下的子图中，如法炮制，直至余下的子图为零图．设所删除的这些顶点x1，x2，…，xi的度数依次为P1，P2，…，Pl，称序列P1，P2，…，Pl为图G的度序列；xi(1≤i≤l)关联的边的另一端点在G中的度数的集合称为顶点五关联的度集合．通过计算、比较两图的度序列、被删除的顶点的度数以及它们关联的度集合，证明两图同构问题的复杂度是多项式的．     

蕴含K1，1，3的正可图序列的最小度和

Gould R J等人考虑了下述经典Turán型极值问题的变形对于给定的图H,确定最小的正偶数σ(H,n),使得对于每一个n项正可图序列π=(d1,d2,...,dn),当σ(π)=d1+d2+...+dn≥σ(H,n)时,π有一个实现G以H作为子图.本文完全确定了σ(K1,1,3,n)之值,其中Kr,s,t是r×s×t完全三部图.