证据距离的选取对冲突证据组合影响的研究

为了研究证据距离的选取对冲突证据组合的影响,提出一种将不同的证据距离度量方式应用在加权证据组合中的对比方法。首先采用不同的证据距离度量方式得到证据相似度,依据证据相似度求得证据可靠度,之后用证据可靠度对证据进行加权求和得到平均证据,最终对平均证据进行证据组合,对比在不同的证据距离度量方式下上述证据组合过程的合理性,得到适合加权证据组合中权重生成的距离度量方式。采用4个算例,对不同的证据距离度量方式下求得的证据可靠度、平均证据和证据组合结果进行分析比较,实验结果表明,与其他证据距离相比,利用该方法选出的证据距离能够更有效地体现证据之间的差异性,所求取的证据可靠度与实际情况更为贴合。     

甲氨蝶呤柱撑水滑石抗肿瘤药物体外释放性能的研究

采用焙烧复原法和离子交换法将甲氨蝶呤（MTX）插层组装到水滑石层间,制备了一种新型的甲氨蝶呤柱撑水滑石抗肿瘤药物-无机复合层柱材料.通过XRD,FT/IR对产物分析表征,并对其在不同pH条件下的体外释放性能进行了研究.     

超声强化合成可生物降解原料乙交酯的研究

研究了超声催化强化作用在合成可生物降解原料乙交酯的过程中对收率和纯度的影响.以氯乙酸为原料通过超声波催化强化作用合成羟基乙酸,并以辛酸亚锡为引发剂,采用多步减压脱水反应成功地合成可生物降解原料乙交酯.研究了催化剂用量、脱水温度和裂解温度对乙交酯收率的影响,得到了较为理想的合成条件.通过对图谱及数据分析,总结出了合成乙交酯的最佳工艺参数.     

利用证据神经网络的多分类器系统构造

为了充分利用数据信息进而提高分类正确率,提出一种证据神经网络的分类器,并据此构造了多分类器系统。首先将训练数据中的含混数据视为新类别——混合类,将原始的训练数据重组成含有混合类的训练数据,然后使用证据神经网络分类器系统用重组后含混合类的训练数据进行训练,对分类输出进行证据建模,并使用多种不同的证据组合规则实现多分类器融合。采用人工数据集和UCI数据集进行对比实验,结果表明:与其他采用神经网络的多分类器系统相比,采用证据神经网络的多分类器系统能有效提高分类正确率;在数据集Magic 04和Waveform2上,采用提出的多分类器系统比采用投票法的神经网络多分类器系统的分类正确率分别提高了6%和10%左右。     

广义证据理论的基本框架

针对经典证据理论不能有效处理辨识框架不完整情况下的信息融合问题,提出了一种广义证据理论.新理论定义了广义基本概率指派函数,对空集的广义基本概率指派大小表明了支持辨识框架不完整命题的程度,提出了能够融合广义基本概率指派的广义组合规则,该组合规则是一个与空集基本概率指派相关的函数,同时满足交换律和结合律.广义证据理论是经典证据理论的推广,当空集赋值为零时,广义证据理论退化为经典的证据理论.用算例表明了所提出的广义证据理论的有效性.     

利用特征子空间评价与多分类器融合的高光谱图像分类

为应对高光谱图像分类中的特征高维度问题,提出一种基于多分类器融合的高光谱图像分类方法.利用高光谱数据相邻波段的高相关性,通过自适应子空间分解产生多个特征子空间,进而训练生成子分类器;利用ReliefF-S算法,对各特征子空间进行评价并生成各子分类器的权重,最终通过加权表决融合实现分类决策.实验表明,所提方法可有效规避高维特征问题并提升分类性能.     

广义证据理论中的基本概率指派生成方法

鉴于基本概率指派生成对证据理论的研究具有重要的意义,文中针对辨识框架不完整情况提出了一种强约束广义基本概率指派赋值方法,新方法可以生成空集不为零的广义基本概率指派赋值,该数值的大小反映了系统是开放世界的可能性.针对辨识框架完整情况提出了一种弱约束基本概率指派赋值方法,该方法在样本与表示模型之间不相交时,也可以给出样本与模型相似性度量的数值,根据所提出的策略生成弱约束的基本概率指派.算例表明了所提出方法的有效性.     

西医的暴力革命:中医是怎样被边缘化的

技术手段代替医学二十世纪西方医学界的进步首先是在诊断手段上。然而,严格地说,这种诊断手段的进步是光、机、电技术的进步,而不是医学的进步。例如,小肠镜是一粒类似感冒胶囊的东西,实际     

利用证据理论的多分类支持向量数据描述算法

针对原始多分类支持向量数据描述(SVDD)算法及其拓展算法忽略超球体之间的差异，且未能充分利用超球体的输出信息等问题，提出一种利用证据理论的多分类支持向量数据描述(证据SVDD多分类)算法。首先，为每一类样本训练一个超球体，并计算每个超球体的正确率与紧密程度；接着使用上一步得到的正确率与紧密程度计算每个超球体的可靠程度；然后，根据超球体的输出信息与可靠程度计算样本的信度函数，信度函数的生成方式采用三焦元法和基于评价矩阵的方法；最后，根据Dempster组合规则融合上一步得到的信度函数，使用Pignistic法将融合后的信度函数转换为概率做出最终的判决。在两个人工数据集和多个UCI数据集上进行实验，结果表明，证据SVDD多分类算法相较传统算法可以获得更好的分类性能；在多个数据集上的仿真结果表明，证据SVDD多分类算法比传统的SVDD多分类算法有3%的精度提升。     

采用不确定性度量的粗糙模糊C均值聚类参数获取方法

针对粗糙模糊C均值聚类的阈值、权重选取问题,提出了一种基于不确定性度量的参数自适应获取方法.该方法将阈值选取归结为一个最优划分寻找问题,给出一种基于方差的划分优劣评价方法;利用信息熵来度量样本归属的模糊性,基于该模糊性度量和类簇的粗糙度,提出了一种权重参数自适应计算方法.将所提方法应用于粗糙模糊C均值聚类,并将分别基于所提方法与典型参数选取方法的粗糙模糊C均值聚类算法在人工数据集和真实数据集上进行实验比较.结果表明,基于所提参数确定方法的粗糙模糊C均值聚类能获得更好的聚类有效性和准确性.