结合流形结构与柔性嵌入的多标签特征选择

将线性回归模型与流形结构相结合,构成了弱线性多标签特征选择的联合框架。首先,用最小二乘损失函数来学习回归系数矩阵;其次,通过标签流形结构来学习数据特征的权重矩阵;再次,用L2,1-范数来约束回归系数矩阵和特征权重矩阵,这样既能引导稀疏性,又有利于特征选择。此外,设计并证明了具有收敛性的迭代更新算法来解决上述提出的问题。最后,所提出的方法在多个经典多标签数据集上进行了验证,实验结果表明了所提算法的有效性。     

一种基于区间值 Pythagorean 三角模糊语言集的多准则决策方法

为提升不确定环境下信息描述的准确性, 提出了区间值勾股三角模糊语言集(interval-valued pythagorean triangular fuzzy linguistic set, IVPTrFLS), 并研究了区间值勾股三角模糊语言变量(IVPTrFL variable, IVPTrFLV)相关的基本理论. 同时, 针对区间值勾股三角模糊语言环境的多准则决策问题, 提出了一种改进的基于区间的组合评价(combinative distance-based assessment, CODAS)方法, 即 IVPTrFL-CODAS 法. 首先, 定义了 IVPTrFLV 的概念、运算法则、Score 函数、Accuracy 函数及距离公式, 提出了区间值勾股三角模糊语言优先加权(IVPTrFL prioritized weighted arithmetic averaging, IVPTrFLPWAA)算子, 并对计算规则及算子性质给予证明; 然后, 通过求解属性权重的相对重要性系数, 建立了基于 IVPTrFLV 的改进 CODAS 方法; 最后, 通过实例对所提出方法的有效性及稳定性进行了验证.     

共享自动驾驶汽车使用意愿模型及其影响因素

为了构建共享自动驾驶汽车(shared autonomous vehicles，SAV) 的使用意愿模型并分析其影响因素，通过使用时机和使用频率来体现公众对SAV的使用意愿；采用验证性因子分析将态度潜变量转化为潜变量得分，以此将态度潜变量引入传统的有序Logit模型；提出SAV使用意愿的有序Logit模型构建方法，并建立基于个人属性、通勤特征、态度潜变量的SAV使用意愿模型.研究发现:是否使用过滴滴拼车、工作单位停车费、自动驾驶态度对使用时机和3种价格(1，2，3元/km) 下的使用频率有显著影响；使用过滴滴拼车、工作单位收取停车费、支持自动驾驶的群体倾向于频繁地、更早地使用SAV出行；公众期望以1元/km或 2元/km即不超过目前滴滴拼车的价格使用SAV.     

双向认知网络物理层安全策略建模及仿真研究

为提高移动通信系统的性能,构建了一个存在主网络干扰和窃听者的双向认知中继网络的物理层安全传输模型,设计了一种中继选择和功率分配的联合优化策略,用于对抗窃听者,保护收发节点的信息传输。通过仿真分析得出,此非凸优化问题限制条件较多,难以保证粒子群优化算法随机生成的初始解的可行性,从而造成求解困难。提出了一种基于可变网格优化和粒子群优化算法的混合优化算法。仿真结果表明此算法提高了次级网络的保密速率,提升了次级网络的安全性能。     

一类变指数退化抛物方程的解

考虑如下的变指数退化抛物方程解的适定性问题。利用抛物正则化方法证明了解的存在性。对检验函数适当选取，证明了解的唯一性。在边界上，扩散系数b(x,t)=0，解的唯一性可以不依赖于边界条件。     

基于元学习的航空电子设备特征选择算法推荐方法

为了对航空电子设备的测试数据进行有效约简, 去除冗余信息和不相关特征, 基于机器学习领域现有的特征选择算法, 提出了一种元学习框架下的航空电子设备特征选择算法推荐方法。所提方法旨在根据不同航空电子设备测试数据所蕴含的信息, 推荐合适的特征选择算法。首先, 分析了数据集特征的描述方法。然后, 介绍了采用综合度量指数的算法性能评价方法。最后, 给出了特征选择算法推荐方法的框架。使用42个航空电子设备的测试数据和13个过滤型特征选择算法建立了元数据库, 采用留一法进行交叉验证, 推荐命中率达到了90%以上, 推荐性能比例达到97%以上。     

时间尺度上奇异变质量可控非完整系统的Noether对称性

研究时间尺度上奇异变质量可控非完整系统的Noether对称性与守恒量.首先以时间尺度上的Hamilton原理为基础，建立时间尺度上奇异变质量可控非完整系统的运动方程，然后依据Hamilton作用量在无限小变换下的不变性，给出该系统Noether广义准对称性的判据和Noether广义准对称性所对应的守恒量，最后举例说明研究结果的应用.     

基于特征选取与树状Parzen估计的入侵检测

针对目前网络空间安全形势快速变化带来的新风险和新挑战, 提出一种基于相关性分析的特征选取和树状Parzen估计优化的入侵检测方法。首先, 通过基于相关性分析的数据特征选取方法对数据维度进行压缩。其次, 对原始数据集进行特征筛选, 生成新的特征子集。最终, 使用序列模型优化算法中的树状Parzen估计算法对随机森林算法进行模型优化。实验结果表明, 相比其他应用机器学习算法的入侵检测方法, 所提方法在提升综合性能的同时拥有更高的检测效率, 有效地提升了入侵检测技术的实用性。     

Space use by two arboreal rodent species in a Neotropical cloud forest

Studying animal space use patterns can help increase our understating of ecological processes such as competition and community dynamics. To quantify space and habitat use in an isolated and patchy cloud forest community in Mexico, we evaluate the vertical stratification, home range and habitat selection of two arboreal rodents: Habromys schmidlyi and Reithrodontomys microdon. Using live-traps at ground level and different forest strata, we radio-equipped nine individuals of H. schmidlyi and seven of R. microdon, and evaluated fine-scale space use and broad-scale habitat selection between cloud forest and oak forest. We found an average home range of 0.24 ha for R. microdon males and 0.72 ha for females, with a preference for higher canopy in the cloud forest. For H. schmidlyi the home range was 0.83 ha for males and 0.29 ha for females, with a preference for the understory level in the cloud forest. Home range is three-dimensional for these rodents, so we estimate that on average, individuals of both species used eight trees in the time they were tracked. We characterised the vegetation at the trap sites, and used recursive partitioning to relate the presence of different plants with the probability of finding these two species and Peromyscus aztecus, a third rodent species also present in the area and considered in our analysis of habitat use. The highest probability of finding R. microdon (96%) was related to the presence of Brachythecium occidentale and Renauldia mexicana, while H. schmidlyi (95%) was found in close proximity to Fabronia ciliaris and Everniastrum. We highlight the importance of arboreal trapping in biodiversity assessments, and the role of arboreal rodents in maintaining tropical forest ecosystems. We suggest that these rodent species could avoid or reduce competition by using the vertical strata differentially, and that H. schmidlyi and R. microdon can be biological indicators for cloud forest management and conservation.     

基于变量选择-神经网络模型的复杂路网短时交通流预测

摘要： 针对传统交通流预测模型正在由单断面历史数据处理向多断面、多时刻历史数据处理转变,但在考虑各断面间的影响时,多变的交通状况往往会使预测模型复杂化的问题,引入一种多元线性回归最小绝对收缩和选择算子方法(Lasso),并利用其优秀的变量选择能力,在复杂路网多断面中选出相关性较高的断面；结合神经网络(NN)的非线性特性,提出了Lasso NN组合模型.结果表明：Lasso NN模型在路网交叉口对未来15 min交通流数据预测的误差率低于9.2%；在非交叉口的误差率低于6.7%,总体优于各自单独使用得出的结果.