基于超网络的舆论演化动态模型

针对舆论演化过程中的复杂动力学问题,提出了超网络视觉下的舆论演化动态模型,该模型包括节点的添加、重新连接链路、超边的添加以及节点的老化4个过程,其中节点代表关键词,超边代表关键词所构成的话题。其次,利用非均匀网络的演化机制,分别对该动态演化模型的超度、节点自身关注度与节点间影响力两个因素的超度进行了详细的理论分析,分析结果表明节点超度完全符合幂律分布。最后,通过Matlab仿真模拟,分析了不同参数对节点超度分布变化的影响,并进一步验证了结果是遵循幂律分布的。     

基于最小二乘法对GM(1.1)模型的研究及应用

针对提高股票未来价格的预测精度,提出区间模糊数的整体GM(1.1)预测模型.利用最优解求解定义方程,得到区间模糊数的预测公式.基于区间模糊数满意度对投资组合选择模型进行优化,得到单目标规划投资选择模型.通过实例分析,给定不同的满意度得到不同的投资组合,证明模型具有一定的柔性.     

基于改进主观贝叶斯方法识别电熔镁炉异常工况

电熔镁炉熔炼过程信息包含大量的不确定性，基于大数据分析的方法难以应用.为准确识别电熔镁炉熔炼过程的异常工况，提出一种基于改进的主观贝叶斯在线规则推理方法.传统的主观贝叶斯方法参数赋值范围过大，针对这一问题，使用映射函数将参数赋值范围缩小到有限区间，以提高方法的实用性.在规则推理时，使用模糊隶属度函数对观察和证据进行模糊匹配，以提高工况识别的鲁棒性和准确率.仿真分析表明该方法可以有效描述规则中的不确定性信息，准确识别电熔镁炉熔炼过程的异常工况.     

混合粒子群算法的电火花成型加工工艺参数优化

针对电火花成型加工机床工艺参数难以确定以及工件表面质量差的问题,在CTM450机床上探究了脉冲电流、脉冲宽度、脉冲间隔对成型加工中MPR和Ra的影响,在正方实验的基础上,以提高材料去除率和工件表面质量为优化目标,设计了混合粒子群算法,将仿真优化后的结果与实际加工效果进行验证,表面该算法准确有效.     

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.     

加速寿命数据的贝叶斯建模与分析

在加速寿命试验的可靠性设计中, 随机化设计的限制以及删失数据不可避免地导致低分位数估计出现较大的偏差。针对上述的问题, 结合贝叶斯抽样技术以及非线性混合模型(nonlinear mixed model, NLMM)提出了一种可靠性改进的分析方法。首先, 需要检验所收集的数据是否服从威布尔分布以及验证形状参数是否是恒定常数。其次, 考虑随机效应对尺度参数和形状参数的影响, 运用NLMM构建了尺度参数和形状参数与试验因子之间的函数关系。然后, 利用贝叶斯方法估计低分位数的可靠性寿命。最后, 实际案例研究表明, 在考虑删失问题和未完全随机设计的影响时, 所提方法能够获得更为稳健和可靠的估计结果。     

模糊微分方程的反周期解

主要利用微分包含的方法得到模糊微分方程的反周期解的存在性结果，并给了一个例子说明主要结果的可行性.     

一种基于类不平衡学习的情感分析方法

针对网络评论中普遍存在的负面评论较少而影响力却较大的类不平衡问题, 提出一种基于类不平衡学习的情感分析方法. 该方法利用深度学习训练过程中的概率输出, 以计算样例的信息熵作为影响因子构建交叉信息熵损失函数. 在IMDB公开数据集上进行实验验证的结果表明, 基于集成信息熵损失函数的双向长短期记忆网络能处理类不平衡问题; 对数据的统计分析结果表明, 该策略能提升基于双向长短期记忆网络的评论情感极性分类性能. 针对AUC(area under curve)指标, 使用集成信息熵损失函数的双向长短期记忆网络模型比未考虑类不平衡的深度学习模型在中位数上最多提升15.3%.