四次多项式填充Julia集的连通性

利用推广了的Branner-Hubbard和Yoccoz的Puzzle技巧研究一类四次多项式f填充Julia集的连通性,得到了f的填充Julia集的一个连通分支是非平凡的(即至少有两个点)充要条件是该分支是周期临界分支,或是某个周期临界分支在f迭代下的逆像.     

知识获取与求精RS-GA策略

针对知识获取环节在知识管理中的地位和意义 ,提出了用于规则知识获取与求精的RS GA(粗集理论—遗传算法 )策略 ,对其相关原理与实现技术进行了深入探讨 ,并通过实例进行阐释 ;最后 ,对该方法的适用性以及局限性进行了说明     

利用矩阵运算实现故障树参数间转化

为减少FTA的NP困难,在充分研究故障树主要参数(最小割集、最小路集、不交化最小割集和不交化最小路集)之间内在联系的基础上,找到了它们间相互转化的方法,并通过割集矩阵的运算加以实现.这些转化方法,为减少NP困难、简化FTA开辟了新途径.     

基于语义距离的模糊信息分类方法

介绍了信息表极大必要属性组的概念。并用模糊语义距离矩阵解决了含有模糊数据的相互依赖的数据库的信息分类问题。     

一种基于粗糙集理论的SVM短期负荷预测方法

在分析粗糙集理论方法与支持向量机方法的优势和互补性后,探讨了粗糙集与支持向量机的结合方法,提出了一种基于粗糙集数据预处理的支持向量机预测系统。该系统利用粗糙集理论在处理大数据量、消除冗余信息等方面的优势,减少支持向量机的训练数据,克服支持向量机方法因为数据量太大,处理速度慢等缺点。将该系统应用于短期负荷预测中,与BP神经网络法和标准的支持向量机方法相比,得到了较高的预测精度,从而说明了基于粗糙集理论方法作为信息预处理的支持向量机学习系统的优越性。     

广义粗糙集理论的公理化注记

首先回顾了粗糙集理论的代数表示,给出代数表示与公理化算子的相互关系.特别地,给出了广义粗糙集模型的公理化等价表示.     

一类加权连续属性的多变量决策树构造方法

首先利用粗集理论和模糊聚类理论确定连续多变量属性的选择问题,然后利用聚类中心算法建立等级标准中心以解决连续变量的区间划分问题,其次将等价关系相对泛化的概念用于决策树中多变量检验的构造。最后通过实例说明了本方法是可行的。     

Rough集-神经网络系统在信息融合目标识别中的应用

研究了Rough集和神经网络方法在信息融合目标识别中的应用 .提出将神经网络学习机制引入到Rough集系统 ,同时通过Rough集的条件和决策属性构造神经网络结构 ,并针对三种不同谱段下的三种不同目标图像进行了实验 ,试验表明 ,Rough集 神经网络相结合的识别算法的识别率要明显高于单独使用一种融合算法的识别率 ,训练时间也大大缩短 .     

模糊等价关系下的犹豫模糊粗糙集及其应用

首先通过对长度不同的犹豫模糊元进行补齐来定义犹豫模糊集新的交并运算,在Pawlak近似空间中利用新的运算建立粗糙犹豫模糊集模型;然后将Pawlak近似空间推广到一般犹豫模糊近似空间,利用犹豫模糊元间的相似度获得犹豫模糊近似空间中对象间的模糊关系矩阵,再利用模糊集的传递闭包法将模糊相似矩阵转化成模糊等价矩阵,在此基础上建立犹豫模糊信息系统中的粗糙集模型,研究犹豫模糊信息系统的属性约简。最后通过一个算例来说明犹豫模糊信息系统的属性约简方法。     

基于改进频繁模式树的最大频繁项目集更新挖掘算法

在挖掘最大频繁项目集的过程中,通过改变最小支持度阈值可以挖掘更有用的最大频繁项目集,为此提出了一种最大频繁项目集更新挖掘算法UAMMFI(Updating Algorithm for Mining Maximal Frequent Itemsets)。算法基于改进后的频繁模式树结构,在更新挖掘过程中,不需产生候选项目集和条件模式树,并且充分利用先前已挖掘的最大频繁项目集中包含的信息,快速更新挖掘出最小支持度阈值变化后的最大频繁项目集。实验结果表明,算法能够高效更新挖掘最大频繁项目集。