粗集中属性约简的一种启发式遗传算法

为了获得决策系统中属性最小相对约简，将信息论角度定义的属性重要性度量作为启发式信息引入遗传算法，提出了一种启发式遗传算法。通过构造一个新的算子来引入启发式信息，使得选择的属性子集的分类能力不变。该算子体现了一种利用启发式信息的局部搜索技术，使得算法既保持整体优化特性，又具有较快的收敛速度。从理论上对算法作了分析，对新算子所能选择属性子集的分类能力不变作了证明。最后的实例表明，该算法能有效地对决策系统进行最大程度的约简。  

熵值法及其在确定组合预测权系数中的应用

组合预测方法能有效地提高预测精度,因而在众多领域有广泛的应用。其研究的核心的问题就是如何求出组合预测加权平均系数。本文从信息论的观点出发,利用信息论中熵值的概念,重新定义预测误差序列的变异程度,从而获得计算组合预测加权系数的一种方法。该方法具有概念清楚、计算简单的特点。实例计算结果令人满意。  

效用风险熵

本文提出由客观状态的不确定性和结果价值两方面因素造成的效用风险的概念，定义并构造效用风险函数和效用风险熵的函数表达式，剖析其主要数学特性，阐明效用风险函数和效用风险熵作为客观状态和决策行动方案的效用风险测度函数的合理性．  

阵列偶的完全采样和折叠分析

讨论了阵列偶完全采样和折叠后，其自相关函数与变换前的阵列偶自相关函数间的关系，证明了当最佳二元阵列偶经第ｉ维完全采样变换和折叠变换后，其结果仍为最佳二元阵列偶。  

基于信息论和遗传算法的Bayesian网络弧定向方法研究

Bayesian网弧定向问题是Bayesian网学习的一个重要方面．提出了一种基于信息论和遗传算法的Bayesian网弧定向算法．将信息论中鉴别信息这一概念引入Bayesian网学习中来，以鉴别信息定向后的网络为基础网，并设计相应的适应度函数和遗传算子，使该算法能够收敛到全局最优的Bayesian网结构．从而极大地减弱了单纯利用遗传算法学习对初始群体的依赖性，提高了算法的收敛速度．实验结果表明：该算法能够有效地解决Bayesian网弧定向问题．  

企业组织结构的层次性

为定量地说明层次结构的合理性,研究了组织中知识和信息交流的折衷问题.从深度和广度两个维度来刻画知识,代理需要在两个维度间做折衷,代理间的信息交流是非完美的.将组织结构作为决策变量,证明了层次结构是对代理知识的最优配置.在这种结构下,代理间的信息传递结构表现为多个信息传递链,每个链呈现金字塔结构底层代理处理外部信息,上层代理处理内部信息,由下向上,知识的广度逐渐增大,规模减小.说明了该结论与组织扁平化的理念是一致的.  

采样成像系统中的欠采样噪声分析

在分析欠采样噪声机理的基础上，针对大多数采样成像设备中存在的带内和带外的欠采样噪声，使设备性能下降的问题，建立了欠采样噪声的数学模型和应用分析模型。研究了图像捕捉系统中，欠采样噪声与系统设计参数的关系，给出计算机仿真结果。讨论了消除欠采样噪声的途径。  

一种基于概率神经网络模型的胃病诊断专家系统

给出了将神经网络与基于规则的专家系统结合起来的一种神经网络模型，在这种模型中，一方面，领域知识以显式方式表示，神经网络的并行推理过程是可以理解和解释的；另一方面，由于通过贝中斯后验概率指定权值，因此避免了神经网络漫长的递归学习过程，提高了学习效率。  

分形信息论及其应用

本文简述分形信息理论及其应用，解决了在分形几何学中悬而未解的问题，即什么是分形，什么是分形维数。本文所引进的分形示性数，分形维数与分形维谱统一与概囊了人们熟知的相信维数，容量维数、盒计数维数、信息维数与Ｒｅｎｙｉ维数。最后通过倍周期分支通向混沌之示例说明分形信息度量之应用，揭示分形信息论与分形几何学之间本质差别。分形信息论为复杂模式与图象之研究提供了新方法。  

知识粗糙性的粒度原理及其属性约简

经典的粗糙集理论提出知识是有粒度的并定义了知识粗糙度的概念，但它不能完全区分不同信息粒度所表示的信息量。本文从信息论的角度定义了信息粒度，粒度函数和粒度熵等概念，重点研究了知识粗糙性的粒度原理。提出了一种基于条件粒度熵的属性约简的启发式算法，通过例子分析，表明该算法是有效的。