时间序列分析中的ARMA算法及其软件实现

阐述了一种适用于经济领域中的统计预测方法－ＡＲＭＡ法，它将预测对象随时间变化的序列，看作是一个随机序列，运用相应的数学模型加以近拟描述，利用自相关分析这一最 的工具，通过对建立模型，识别模型，检验模型，预测模型的深入研究，更本质地认识了这些动态数据的内在结构，并运用ＲＡＴＳ软件对该模型成功地编制了一个界面友好，交互性强的实用汉化程序，达到了最佳预测效果，对于经济统计预测有一定的实用价值。     

汉语语音的基音快速提取算法

根据汉语语音信号的特点．该文提出一种简化的自相关基音提取的方法，算法具有简便、快速、准确和易于实现等特点。此方法不仅可用于孤立字．更适用于提取二字词的声词。实验表明，所得到的１５种二字词声调的基本模式和轻声变调等都与已有的研究报导相符。含有清声母音节时，二字词声调能提供音节分割和声韵分离的准确信号．基音提取成功率高于９０％。     

熵与动态多指标决策

利用熵的理论，对多指标决策中的各方案建立了有效性测度，该测度越大，说明相应的方案越优。在此基础上，利用该测度，提出了一种动态多指标决策方法，应用实例表明了这种决策方法的可靠性和合理性。     

二元序列的自相关性和游程的关系

研究二元周期序列的自相关性与游程之间的关系,证明了二者并不完全独立,序列的自相关特性不仅能决定其周期圆上游程总数,而且完全决定了长度为1的游程个数.     

一种基于粗糙集的朴素贝叶斯分类算法

朴素贝叶斯分类器的计算过程只有在完全数据库中才成立,而基于相似关系的粗糙集模型具有处理空值的功能,并且提供了属性离散化和约简技术,可以改善属性间的依赖关系。因此,将两种不同的软计算方法相结合,利用粗糙集合理论先把决策表补齐,再对数据进行约简,然后结合朴素贝叶斯分类器,得出分类结果。实验证明这种方法不仅简化了数据和模型的规模,也具有对不完全数据的分类能力。     

复杂动态网络模型研究进展

对复杂动态网络模型的研究现状做了综述,总结了复杂网络的演化机制与属性特征,提出了以复杂动态网络为虚拟计算平台和理论基础,开展大型Ad Hoc网络、传感器网络的网络性能、网络规划、信号增强、拓扑优化的一系列研究课题.     

权重信息不完全的区间数多属性决策GRA方法

针对属性权重信息不完全,且属性值以区间数形式给出的多属性决策问题,提出了一种灰色关联分析的决策方法。该方法依据一般的灰色关联分析方法的基本思路,给出了解决属性权重信息不完全的区间数多属性决策问题的计算步骤。其核心是通过构建并求解一个单目标最优化模型,得到每个方案与正、负理想方案的关联度,进而计算出每个方案与正理想方案的相对关联度,即可得到所有方案的排序结果。最后给出一个数值例子,结果表明该方法简单、有效并易于计算。     

不完全信息下概率决策的扩展粗糙集方法

为了从不完备多属性决策系统中获取概率决策规则，提出了一种不完全信息下概率决策的扩展粗糙集方法. 给出了容差关系下相容度的概念，通过设定相容阈值给出知识的粗糙下近似、上近似和边界域，然后讨论了粗糙近似的基本性质和概率决策规则的获取.通过实例说明这个新方法的可行性和有效性.     

一种新的分类方法——属性均值聚类属性支持向量机(AMC-ASVM)

在属性均值聚类(AMC)与支持向量机(SVM)的基础上,提出了一个新的模式分类算法——基于(属性)聚类的属性支持向量机算法(AMC-ASVM)。主要思想是利用属性均值聚类网络得到的具有概率信息(权重)的样本,来训练属性支持向量机,从而得到分类器。这种方法结合了属性聚类的稳定性与属性支持向量机可以利用加权样本的优点,适合处理具有强噪声的数据。另外,该方法也可以看作是堆近邻分类法的自然推广。在实验部分,将其用于结肠癌基因表达数据的处理。实验结果显示了AMC-ASVM在一定程度上优于最近邻,Boosting,堆近邻,SVM等方法。     

基于语义距离的模糊信息分类方法

介绍了信息表极大必要属性组的概念。并用模糊语义距离矩阵解决了含有模糊数据的相互依赖的数据库的信息分类问题。