基于模态符号数据分析的混合推荐算法

传统混合推荐算法基于点数据来描述用户模型,存在信息丢失、难以统筹考虑用户所有偏好信息等问题,严重影响了推荐系统的质量和效率。针对该问题,以符号数据为基础,建立了基于模态符号数据分析的混合推荐算法。用模态符号数据对用户建模,引入模态符号数据的距离度量计算用户兴趣模型间的相似性,同时整合用户人口统计信息的相似性,形成用户的综合相似性,最终完成推荐。实验结果表明论文方法在应对数据稀疏性及新用户问题时,具有更高的推荐精度。     

基于符号数据与非负矩阵分解法的混合推荐算法北大核心CSSCI

针对现有推荐算法在处理海量数据时效率和精确度低下的问题,提出一种将基于内容的推荐算法与基于项目的协同过滤算法相结合的新的混合推荐算法。首先引入符号数据分析方法,使用模态符号数据对项目建模,同时针对评分矩阵的超高维及稀疏性问题加入非负矩阵分解算法,对项目的特征矩阵进行有效"平滑",以此为基础计算项目之间的相似性,进而完成混合推荐。基于MOVEILENS数据的实验结果表明,本文提出的混合推荐算法与传统的基于项目的协同过滤算法相比,在相似性计算上具有更高的效率,同时在应对数据稀疏性及新用户问题时,具有更高的推荐精度。     

模糊理论在上海浦东新区电力负荷预测中的应用

本文提出了一组模糊电力负荷预测模型,这里集中讨论了模糊聚类、相似优先比及最大贴近度三种方案,对它们分别在原理、算法和预测特点上加以介绍和比较,同时结合浦东新开发区的特点针对各方案的不足进行了改进,从而得到特别适用于开发区的改进模糊预测模型,最后以浦东开发区度长期电力负荷预测为例,验证了改进模糊预测法的有效性。     

基于符号时间序列直方图的高频金融波动预测

将符号时间序列分析方法与K-NN(K-Nearest Neighbors)算法相结合,提出了一种基于符号时间序列直方图的高频金融波动整体分布的预测方法。首先将时间序列符号化得到符号时间序列,并以符号序列直方图表示符号序列的分布,引入符号直方图时间序列的概念,采用K-NN算法得到下一个周期符号序列直方图的预测。在K-NN算法中,针对符号序列直方图的特点,提出以欧几里得范数,χ2统计量和相对熵作为选择邻居时的符号直方图序列相似度的度量方法,利用系统自身的几何特性确定符号直方图序列的嵌入维数。以上证综指5分时的高频数据检验了本文方法的预测能力。结果表明,本文方法预测所得结果整体误差均在可以接受的范围内,预测所得的分布与真实分布均值相同,但是方差较小。     

基于预测风险最小化的模型选择理论与方法研究

阐述基于预测风险最小化的模型选择问题，提出基于经验风险最小化原则的模型选择一致收敛性定理，解决有限样本下利用经验风险来最小化预测风险的问题，并分析模型选择欠学习或过学习问题的根源，给出一种模型选择的次优迭代算法。最后通过具体实例验证上述理论和方法的可行性和优越性。     

基于行为概率和符号结构的行为管理制度设计

提出一种科学而实用的行为管理制度设计方法——符号结构化行为概率设计,提出了制度符号系统和结构图制图规则,提出了制度设计的三类优化问题: 一是最小失效率问题;二是最小成本问题;三是最大效率问题.开发了最小失效率问题的求解方法:边界法.这种方法的意义在于比一般的搜索法能够更快地找到制度设计的最优方案, 而且无需建立解析函数即可求解,从而对使用条件的要求比较宽松,具有大面积的推广应用前景,是制度设计的科学且实用的方法.     

基于最优路径相似度传输矩阵的链路预测方法北大核心CSCD

为解决现有的基于相似性的链路预测方法忽略了最优路径在节点间传递相似性的能力的问题,提出一种基于最优路径相似度传输矩阵的链路预测方法。首先,分析节点间最优路径对信息传输能力的影响,进而对节点间紧密中心性进行定义;其次,依据最优路径数和中心性构建相似度传输矩阵,综合节点间局部信息和全局属性衡量节点间相似度。最后,将所提方法与其他相似性指标,在6个真实网络上进行实证对比研究。结果表明,所提算法预测精度较高,且算法更加稳定。     

基于RBFLN网络的改进RBF神经网络学习算法

提出了一种基于径向基链网络（RBFLN）的改进径向基函数（RBF）网络学习算法．网络结构采用RB—FLN模型,添加输入层对输出层的线性映射,在训练过程中基于最大误差学习样本对资源分配网络（RAN）新性条件进行改动,在不满足新性条件时,采用相似度参数对隐层中心和宽度进行调整;而满足新性条件时,对新增隐层节点也通过类均值的方法做出相应的改进．最后通过对无机建筑材料成分分析的仿真表明该算法可有效地简化网络结构,实现样本正确分类,并获得较好的校验能力．     

基于模糊预测的建设工程单方造价快速算法研究

基于模糊理论和指数平滑预测相结合的方法,给出了以预测单方造价为基础的投标工程单方造价快报算法。其算法具有普遍的应用价值。     

基于CAPM理论的公司资本结构模型

利用资本资产定价模型（ＣＡＰＭ模型），对考虑财务拮据成本时的公司最优资本结构问题分三种情况；（Ｉ）财务拮据成本表现为破产成本；（Ⅱ）财务拮据成本表现为财务危机成本；（Ⅲ）财务拮据成本表现为破产成本和财务危机成本的或有形式，进行了研究，给出了相应的公司价值模型和最优资本结构模型．     

不确定性系统预测理论的基本问题

论述了不确定性系统预测理论的基本概念及原理、预测特性及分类、预测的精度要求及评价标准、预测的指标体系及建模原理以及预测方法的基本问题 ,为建立适应时代发展需要的新型预测理论与方法奠定了基础 .     

战略性新兴产业前沿技术领域预测与合作潜力——基于主题相似网络关系的分析视角

战略性新兴产业已经成为世界各国抢占新一轮经济制高点的发展重点,精准识别战略性新兴产业前沿技术领域,提升产业技术创新合作成功率是形成战略性新兴产业核心竞争力的重要手段.通过建立LDA-GS模型提取文本主题,设计主题相似网络关系建立方法,打破了技术创新网络仅建立在合作及IPC共现关系的局限.以石墨烯产业为实证分析对象,得出...     

基于分形理论的病态结构问题研究

基于问题导向的观点，按照综合集成思路研究病态结构问题（ＩＳＰ）的“病态”机理，作为决策支持理论的基础，分析概括出ＩＳＰ的３大内禀特性，多粒度、不封闭、自增殖，运用分形理论给出结构函数和结构指数的概念定义，用以刻画决策对象的结构复杂性。首次揭示了结构冗余现象并给予了严格论证，进而给出的结构冗余作为结构冗余性度量，在于结构冗余指数，对决策对象进行了分类，并对ＩＳＰ进行了形式化定义，剖析了ＩＳＰ的结构实     

基于卡尔曼滤波算法展开的飞行目标轨迹预测

目标轨迹预测是保证目标航行安全、规划飞行航迹和搜寻空中目标等任务的关键技术，在军事和交通管制等方面具有重要意义。针对传统飞行目标轨迹预测方法模型较为简化且预测精度较低的问题，提出了基于卡尔曼滤波算法展开的深度神经网络模型，用于飞行目标的轨迹预测任务。该模型通过长短时记忆(long short-term memory, LSTM)网络从目标的航迹数据中学习目标的运动状态，再利用卡尔曼滤波算法对LSTM预测的目标状态估计值进行动态修正，其有效结合了卡尔曼滤波算法和深度神经网络各自的优势。在仿真数据和真实数据上的实验验证了所提模型较其他网络模型对飞行目标轨迹预测的准确性和有效性优势。     

基于社区结构的 Dijkstra改进算法

针对复杂网络中社区结构局部优势,将每个社区塌陷为一个节点,利用局部优势向全局优势扩展的方法,将Dijkstra算法进行了改进,提出了一种基于社区结构的复杂网络最短路算法,分析了该算法的时间复杂度,并将该算法应用于战时军事物资前送体系网络.     

基于相似理论的系统仿真方法

应用相似理论的基本原理研究系统仿真的过程 ,提出了基于相似理论的系统仿真的基本方法和步骤.     

基于混沌分析的道路网交通流短时预测

道路网交通流短时预测是实现智能交通控制和诱导系统的基础,本文以实时采集的交通流数据为基础,运用状态空间重构和G-P算法进行交通流短期特性研究.具体而言,通过分析交通流的混沌特性确定交通流率时间序列的嵌入维数,重构相空间,并以重构的交通流率时间序列作为输入采用Elman神经网络实现道路网多断面交通流率同时预测.研究结果表明,在道路网交通流短时预测方面Elman网络优于经典的BP网络,基于混沌时间序列分析的Elman网络不仅能够实现道路网多断面同时预测,且预测效果优于无重构的神经网络.     

网络结构特征与链路预测算法关系研究

以美国航空网络、科学家合作网络和线虫新陈代谢网络等5种实际网络为例进行了综合实验,用结果数据定量化描述了同配系数、集聚系数和网络效率等网络结构特征参数,与基于局部信息和全局信息的两类链路预测方法结果之间的关系。通过对结果的分析,得到了网络同配系数为正且聚集系数大于阈值(约0.1)时适用基于局部信息的预测方法,否则适用基于全局信息的预测方法;以及集聚系数、网络效率与局部信息预测方法的结果成正比,与全局信息预测方法成反比等结论。这些结论为通过网络特征参数进行链路预测方法的选择提供了定量化的参考依据。     

点与线:结构视角初探

点与线是最简单的符号元素,也是人类抽象思维的最简约表现形式。本文考察了人类历史上认识点和线的方式和事件,阐述了点和线在揭示事物结构方面的作用,描述了人类以点与线作为符号工具重构对象并加以认识的思维活动。随着网络时代的到来,点和线将不再隐身于人类思维的后台,而将成为人们从网络这个时代标志的视角观察和了解各种系统的基本媒介。     

基于EMD与STSA混合方法的金融收益信息提取与预测

针对STSA方法在金融时间序列分析中的缺陷提出了运用EMD与STSA结合的改进方法。以上证指数、深证成指、建筑指数、金融指数、地产指数、上证商业6种指数的收益数据作为研究样本,利用EMD方法分解提取出一系列反映原始序列不同时间尺度信息的分量,通过对各分量进行STSA分析后发现导致原始序列多变化模式的原因。在此基础上提出了通过单一变化模式分量对原始序列变化趋势进行估计的条件和限定范围,实验结果表明,该方法在提取和分析时间序列变化模式方面具有独特的优势,具有较高的预测精度和实用性。