茶汤光谱指纹图谱判别分析及相似度评价在绿茶分级中的应用

采用色差仪对茶汤汤色进行400~700nm连续波长扫描的方法,分别建立了7个等级信阳毛尖茶汤色光谱指纹图谱。基于各波长下的特征反射率与透射率比值,采用判别分析技术对不同等级信阳毛尖茶进行了很好的等级区别,判别正确率均大于90%；通过7种方法对不同等级茶汤光谱指纹图谱的相似度进行评价,发现各相似度计算方法均能不同程度反映茶叶等级间的差异大小,其中以新改良程度相似度法最佳。相似度评价方法与判别分析结果一致,且可实现对等级差异的量化分析,为绿茶品质评价和质量监控提供了一种客观可量化的方法。     

时态网络节点相似性度量及链路预测算法

详细分析和阐述了时态网络中的链路预测问题，将时态网络按时间顺序划分为具有相同时间间隔的多层网络快照序列.针对基于共同邻居的相似性指标对网络链路刻画粒度较粗糙的问题，提出了基于邻居节点聚类系数的相似性度量指标NCC和NCCP，并基于此提出时态网络链路预测算法.通过在真实数据集上的对比实验验证了利用邻居节点的聚类信息可以提高预测精度.利用真实邮件数据集验证了所提出的链路预测算法预测效果的优越性，并且实验结果证明越接近预测时间的网络结构对预测结果影响越大.     

一种融合图结构的时空轨迹相似性查询算法

针对海量时空轨迹数据相似性查询速度慢的问题，提出一种融合图结构的时空轨迹相似性查询算法。从空间维和时间维将轨迹建模为图结构中的一条路径，设计了一种同步匹配空间和时间距离的轨迹相似性度量函数。在此基础上，设计了一种结合时间过滤的基于边的倒排索引结构支持轨迹时空相似性查询，同时利用距离上界的剪枝策略提高查询性能。计算返回的相似轨迹集合中每条轨迹的距离并进行排序，得到相似度最高的前k个轨迹。最后将所提算法与NTrajI算法、SHQ算法、SHQT算法在合成数据集和真实数据集上进行实验对比。结果表明：该算法在索引建立、查询效率和查询质量方面均优于其他对比方法，因此是可行而有效的。     

基于改进相似性的装备部件剩余寿命预测及经济性储备策略

针对传统基于相似性的剩余寿命(remaining useful lifetime, RUL)预测方法未考虑运行条件差异, 从而影响预测准确性及部件储备策略科学性的问题, 提出一种基于改进相似性的装备部件RUL预测及经济性储备策略。基于提出的改进相似性方法, 区分装备部件的运行条件类别, 通过各类别内服役部件和参考部件的性能状态相似性, 预测服役部件的RUL; 基于RUL预测结果, 以装备部件维修储备总费用最低为目标, 以资源利用率为约束, 建立经济性储备策略决策模型; 采用差分进化算法对模型寻优求解, 得到最优装备部件储备策略。实例分析表明, 所提方法能够有效提升RUL预测的准确性和部件储备策略的科学性, 具备工程应用价值。     

基于ANP和TOPSIS的零部件供应风险评价

针对供应风险评价研究只关注供应商风险,缺少供应链全局视角评价问题,从系统科学的角度,分析构成供应风险的构成要素,建立供应链供应风险的评价指标体系,集成ANP和TOPSIS方法对供应风险进行评估,使得评价过程既考虑不同层次的元素组及元素间可能存在的关联关系,又依据评价企业与理想化目标的接近度排序.实例验证了评估模型的科学有效性.     

TST: Threshold Based Similarity Transitivity Method in Collaborative Filtering with Cloud Computing

Collaborative filtering solves information overload problem by presenting personalized content to individual users based on their interests, which has been extensively applied in real-world recommender systems. As a class of simple but efficient collaborative filtering method, similarity based approaches make predictions by finding users with similar taste or items that have been similarly chosen. However, as the number of users or items grows rapidly, the traditional approach is suffering from the data sparsity problem. Inaccurate similarities derived from the sparse user-item associations would generate the inaccurate neighborhood for each user or item. Consequently, its poor recommendation drives us to propose a Threshold based Similarity Transitivity (TST) method in this paper. TST firstly filters out those inaccurate similarities by setting an intersection threshold and then replaces them with the transitivity similarity. Besides, the TST method is designed to be scalable with MapReduce framework based on cloud computing platform. We evaluate our algorithm on the public data set MovieLens and a real-world data set from AppChina (an Android application market) with several well-known metrics including precision, recall, coverage, and popularity. The experimental results demonstrate that TST copes well with the tradeoff between quality and quantity of similarity by setting an appropriate threshold. Moreover, we can experimentally find the optimal threshold which will be smaller as the data set becomes sparser. The experimental results also show that TST significantly outperforms the traditional approach even when the data becomes sparser.     

云南省藤黄属植物的地理分布及其区系特征

云南省产藤黄属植物13种,占中国总种数的65.0%,是中国藤黄属植物种类最丰富的地区,因此是进行该属植物研究的典型区域.以文献和标本为基础资料,通过聚类和相似性分析,研究了云南省藤黄属植物的地理分布及其区系特征.结果表明:①藤黄属植物在云南的水平分布分区包括:滇东南至滇西南、滇南、滇东南偏滇南至滇西南、滇南偏滇西南和滇西南至滇西北独龙江等5个区.垂直分布分区为:丘陵至低山地带、低山至近低亚中山地带和亚中山地带等3个地带;②云南省藤黄属植物特有现象显著,其中,有8种(61.54%)属于中国特有分布区类型,5种(38.64%)属于热带亚洲(印度-马来西亚)分布区类型;③藤黄属主要分布于600～1 500 m的滇东南、滇南至滇西南的低山和近低亚中山地带,属于热带分布区类型;④藤黄属植物在云南的分布具有明显的地理替代现象;⑤与相邻省区的比较表明,云南藤黄属植物区系与广西联系最为密切.     

灰色关联分析模型研究进展

本文对灰色关联分析模型的研究进展进行了系统梳理. 从早期基于点关联系数的灰色关联分析模型, 到基于整体或全局视角的广义灰色关联分析模型; 从基于接近性测度相似性的灰色关联分析模型, 到分别基于相似性和接近性视角构造的灰色关联分析模型; 研究对象从曲线之间的关系分析到曲面之间的关系分析, 再到三维空间立体乃至n维空间中超曲面之间的关系分析. 明确了有待进一步研究的问题. 较为清晰地向读者展示出灰色关联分析模型的几条研究脉络.     

基于多维形态特征表示的时间序列相似性度量

特征表示和相似性度量是时间序列数据挖掘的基础工作, 其质量好坏直接影响后期的挖掘结果. 利用正交多项式回归模型对时间序列进行多维形态特征表示, 分析特征维数对时间序列拟合效果的影响, 选取部分特征来描述序列的主要形态趋势, 提出了一种鲁棒性较强的形态特征相似性度量方法来近似度量时间序列, 且具有较高的相似性度量质量. 实验结果表明, 基于多维形态特征表示的时间序列相似性度量方法不仅满足下界要求, 具有较好的下界紧凑性和数据剪枝能力, 而且在时间序列聚类和分类等数据挖掘任务中取得了良好的效果.