数据挖掘技术在全断面掘进机故障诊断中的应用

分析了全断面掘进机复杂的故障机理和运行参数,研究了将粗糙集和决策树应用到数据挖掘中的方法.以全断面掘进机刀盘的一些实时数据为例,采用MATLAB 7.0对数据进行离散化处理,结合粗糙集属性约简的算法对故障样本进行冗余属性的约简;然后,利用决策树算法对约简后的故障样本集进行规则提取,利用数据挖掘工具Clementine实现了C4.5算法和改进的C4.5算法,对其结果进行了对比分析;最后,运用VB编程对全断面掘进机采集的部分数据进行测试,结果表明该融合算法是一种快速、有效、可靠的故障检测与诊断的新途径.     

基于决策类划分新型多变量决策树算法实例分析

利用"基于决策类划分的新型多变量决策树算法"中的五大步骤,以"气象信息系统表"为实例构造多变量决策树,取得的结果与著名的单变量决策树(ID3)方法和粗糙集多变量决策树方法所获得的结果相同,证明本算法有效。其决策树构造过程简单,易于理解。通过时间复杂度的比较,证明本算法优于粗糙集算法速度更优和ID3算法。     

基于粗糙集的数据挖掘改进属性约简算法研究

研究基于粗糙集的属性约简算法在数据挖掘规则提取阶段的应用。数据挖掘中对属性进行约简时,经常采用粗糙集,再按照规则进行提取。考察差别矩阵的定义和信息系统比较复杂且核属性元素所占比例较少的情况,改进基于差别矩阵的属性约简算法,利用差别矩阵的结构建立一种新的选择属性的依据。     

基于软集理论驱动的毕业生推荐系统研究

网络技术的发展为毕业生与企业之间的顺利沟通提供了支持,但大多数招聘或推荐平台依然是各自"表演"的模式,缺乏有效对接.面向毕业生与企业的直接需求、核心需求,在软集理论驱动的基础上,构建一个智能的、支持决策的毕业生推荐平台.该平台允许用户自主设置属性及属性排序,对推荐结果进行优劣排序,使得推荐结果更加客观全面,符合大学生及企业的需求.最后实验表明该方法具有较高的性能.     

基组外推方法构建O(~3P)+H_2体系1~3A″的全维势能面

使用基于全活化空间自洽场(CASSCF)的多参考组态相互作用方法(MRCI+Q)和基组aug-cc-pV5Z构建了O(3P)+H2体系能量最低的13 A″和13 A′两个态的势能面,对13 A″态使用Varandas小组的外推方法,将基组aug-cc-pVQZ和aug-cc-pV5Z外推到完备基组极限(complete-basis-set limit).使用含时波包方法对新势能面进行动力学计算,并对比了只使用aug-cc-pV5Z基组时的速率常数,结果说明外推方法改进了势能面.     

一类非线性阻尼Petrovsky方程的整体解的存在性

主要研究非线性阻尼Petrovsky方程utt+Δ2 u+a(1+|ut|r)ut=b|u|pu在有界区域的初边值问题.应用势井理论,通过定义位势井的深度和稳定集,利用稳定集的不变性及有界性原理证明了此问题整体解的存在性.     

基于JointBoost I2C距离度量的图像分类方法

基于图像到类(I2C)距离度量的图像分类是一种新颖的方法,但其分类性能仍有待提高.为此,文中提出了一种基于JointBoost I2C距离度量的图像分类方法.首先生成原型特征集,该集合中的样本具有代表性,故计算测试图像到该原型特征集的距离更有效;然后根据JointBoost算法的思想,联合多个I2C距离度量生成一个强分类器,并将空间信息融合到强分类器中.实验结果表明,该方法在图像分类实验中具有更高的分类性能.     

I{2}和M{2}的有效刻画(英文)

Stewart给出了一个矩阵2-逆集合M{2}的刻画公式.但其中含有多余的任意参数,因而不是一个有效刻画.本文利用方阵的满秩分解,为I{2}_s的一个真子集B_1剔除了Stewart公式中的多余任意参数,得到了B_1的有效刻画公式;还证明了I{2}是其有限个子集的并集,其中每个子集与B_1等距同构.由此可分别建立I{2},I{2},M{2}和M{2}的有效刻画公式.算法2.1则可用于无重复地计算I{2}_s的每个元素.     

一种改进的基于超网络的高维数据聚类算法

高维数据聚类问题是当前聚类分析研究的重点。笔者提出了一种改进的基于超网络的高维数据聚类算法。首先,将高维数据映射到一个大规模带权超网络中;其次,定义超网络中边的权重;再次,采用优化的超图划分方法划分带权超网络;最后实现高维数据聚类。这样有效过滤掉聚类中的噪声数据,避免了传统聚类方法在降维过程中产生的弊端。实验证明,该算法具有较理想的有效性和精确度。     

基于非均等排序集抽样的符号检验

为检验未知总体的中位数,提出基于非均等排序集抽样的符号检验.通过比较符号检验的Pitman效率,表明非均等排序集抽样效率高于排序集抽样和简单随机抽样. 考虑到非均等排序集样本独立但不同分布,提出与秩次有关的加权符号检验,具体给出使检验效率达到最大的权数,并证明出最优权数具有适应任意分布性. Pitman相对效率的计算结果表明,非均等排序集抽样下最优加权符号检验优于排序集抽样下最优加权符号检验. 最后,对阔叶松树的一组真实数据进行了实际应用.