信息系统中熵度量的粒化单调性

研究了不同二元关系下信息系统中信息粒的刻画和表示,引入了偏序关系,′发展了信息系统中的熵理论,证明了这些熵度量的粒化单调性.     

非线性方程组异步迭代法的收敛性

文中研究在多处理机系统上用Ｊａｃｏｂｉ和Ｇａｕｓｓ－Ｓｅｉｄｅｌ分裂求解非线性方程组的异步迭代法,对其收敛性条件进行了严格的理论分析。     

基于数据划分的k-近邻分类加速算法机理分析

k-近邻(k NN)分类算法因具有不对数据分布做任何假设、操作简单且泛化性能较强的特点,在人脸识别、文本分类、情感分析等领域被广泛使用.k NN分类算法不需要训练过程,其简单存储训练实例并根据测试实例与存储的训练实例进行相似度比较来预测分类.由于k NN分类算法需要计算测试实例与所有训练实例之间的相似度,故难以高效地处理大规模数据.为此提出将寻找近邻的过程转化为一个优化问题,并给出了原始优化问题与使用数据划分优化问题的最优解下目标函数差异的估计.通过对此估计的理论分析表明,聚类划分可以有效的减小此差异,进而保证基于聚类的k-近邻分类(DC-k NN)算法具有较强的泛化性能.在公开数据集的实验结果显示,DC-k NN分类算法在很大程度上为测试实例提供了与原始k NN分类算法相同的k个近邻进而获得较高的分类精度.     

基尼指数遗传算法求解具有共性的调度问题

通过对不同类型车间作业调度问题的描述,分析各类问题之间的共性特征,提出了一种基于基尼指数的遗传算法.该算法结合进化生态学和决策树算法的思想,提出了新的遗传调度算子,在算法操作过程中利用基尼指数值来衡量个体的优劣及种群间的差异,确定交叉(或变异)父代并选择相应的交叉(或变异)点,既维持了群体的多样性,又能体现遗传算法较强的搜索能力.仿真结果验证了该算法对于求解具有共性特征的调度问题是非常合适的.     

多视图聚类研究进展与展望

多视图聚类旨在利用不同视图间互为差异、互相补充的信息对数据对象进行聚类。近年来,多视图聚类作为一项重要的无监督机器学习方法和数据挖掘技术,在众多领域得到了广泛关注。文章对现有的多视图聚类模型与算法进行了梳理,将其归纳为六个方面,并对其进行了详细论述。进一步,对复杂环境下多视图聚类任务面临的挑战进行了展望,以期推动该领域的不断创新与发展。     

函数性数据分析中的主成分分析

通过对比多元统计分析方法与函数性数据分析方法,分析函数性主成分分析的原理、方法,并在此基础上通过实例来说明函数性数据分析的应用,其中的数据分析结果使用MATLAB软件编程所得.     

基于区分矩阵的属性约简算法

知识约简是粗糙集理论研究的核心内容之一，在构造区分矩阵过程中，利用命题演算中的吸收法律去掉了在区分函数中不起作用的重复元素，提出了一种属性约简的改进算法ARDM，从而提高了属性约简的效率．     

解块三对角线性方程组的广义共轭梯度法

文中用块三对角矩阵的一种不完全LU分解给出了一种解块三对角线性方程组的广义共轭梯度法,该方法具有高级的并行性。     

异步并行Newton迭代法的单调收敛性

文中讨论在多处理机系统上求解非线性方程组的异步并行Newton迭代法及其单调收敛性     

符号数据最佳聚类个数的确定方法

在聚类分析中,如何选择恰当的聚类个数是一个非常复杂而又必须面对的问题.尽管针对数值型数据聚类个数的选择算法已经进行了广泛地研究,但如何确定符号型数据的聚类个数仍然是一个富有挑战性的问题.结合划分和层次聚类的思想,提出一种符号数据聚类个数的确定算法.在UCI数据集上的实验结果表明该方法是有效的.