粗糙集方法在基于属性分类中的应用

介绍粗糙集基础上的属性分类系统的构造,给出一种数据挖掘中新的分类方法:从初始的数据信息出发,依次构造约简属性集,并对其使用Bayes判别法进行基于属性的分类。最后给出了实例,验证算法的可行性。     

“数字逻辑”虚实分层实验教学模式的设计

该文针对数字逻辑课程实际硬件环境不足,教学效果欠佳等现状,引入虚拟教学方式。利用现有的真实实验平台,通过对实验内容的合理设计与有效划分,建立虚实结合的分层实验教学方案。不同层次采用不同的实验方法,逐步提高学生的实验能力,最终达到实验教学的目的。实践证明,该设计方案切实可行,对"数字逻辑"及其他硬件实验教学方法的改进均可起到启发作用。     

基于交叉覆盖算法的改进算法-最近邻交叉覆盖算法

交叉覆盖算法分类时着重在于两类的交界部分,混杂在另外一类中往往无助于提高分类器的效率,反而会增加分类器的计算负担。本文提出一种基于交叉覆盖算法的最近邻交叉覆盖算法(NN-ACA):对进行训练的原始样本数据进行预处理,删除这些不同类的最近邻点,得到精简后的样本集,再对该样本集使用交叉覆盖算法。通过实验和与SVM的比较,结果表明NN-ACA在一定的样本规模表现了速度和分类正确性上的优越性。     

课程表问题的时间规划求解法

为了处理课程表问题这个NP完全类问题,根据大学编排课表的特点设计了一种全新的使用R_时刻表的设计方法。这是以文献[1]中的求解D时刻表的方法为基础,通过对近年来人们多采用遗传算法的比较,加以改进。利用R_时刻表算法对实际中的课程表问题进行安排,试验说明了该方法具有一定的可行性和有效性。     

基于路径相互关注的网络嵌入算法

网络嵌入,或者称为网络表示学习,旨在将网络中的节点映射到表示空间中,生成低维稠密的向量,从而在保留网络结构信息的前提下对网络中的节点进行表示,而后通过已有的机器学习方法解决诸如链接预测、节点分类、社团发现和网络可视化等下游任务.随机游走算法可以很好地探索网络中节点的局部结构,然而之前的基于随机游走的表示学习算法只能为节点产生一种角色嵌入,没有考虑到和不同邻居进行交互时节点扮演的不同角色嵌入.因此,提出一种基于路径相互关注的网络嵌入算法,使用节点随机游走产生的上下文信息,通过注意力机制为每个节点生成上下文相互关注的节点嵌入.在真实数据集上的实验结果表明,与三个经典的网络嵌入算法相比,该算法具有更好的表现.     

时间规划中D_时刻表的改进算法及应用

对既存在时间关系约束又存在时间宽度约束的n个事件,用时间规划的D_时刻表算法,可以求得2n个端点集的一个有序划分,该划分满足所有的约束条件.我们在应用中对算法进行了一些改进,增加了矩阵化简过程中的合并链和空事件,提高了算法的实用性.