一种基于随机决策信息系统的属性约简算法

研究基于随机决策信息系统的属性约简算法,发现现有文献存在着运算量大、找到的不是约简或仅找到核的缺陷,本文提出了一种属性约减递归算法。该算法能够计算所有约简和核,而且算法时间复杂度少,运算效率高。经实例验证,该算法有很强的可行性和有效性。     

一类线性时变离散系统的变换和稳定性

研究了一类具有Ａ（ｎ＋１）Ａ１＝Ａ１Ａ（ｎ）关系的线性时变离散系统Ｘ（ｎ十１）＝Ａ（ｎ）Ｘ（ｎ）的变换和稳定性问题；证明了在不知道关于状态转移矩阵ф（ｎ，ｎｃ）的全部信息时．利用代数变换，这类线性时变离散系统能够变换成等价的线性时不变离散系统；给出了定常矩阵Ａ１存在的充要条件。     

学院科学对企业的依赖

大学与企业的合作在增进社会福祉的同时,也使大学对企业产生了某种程度上的依赖。学院科学对企业的经济依赖和角色依赖,将会引发资金效应、利益冲突和大学的企业式管理等后果;将会妨害人们对可靠知识的追求;并将最终威胁科学事业的可信性。对企业资助及其附加条款进行审查、制定利益冲突政策和认清学院科学的使命,是解决这一问题的关键所在。     

基于功能依赖的网络信息体系建模及重心分析

功能依赖是大型复杂系统性能或体系能力生成的重要影响因素之一, 各类要素实体间功能依赖关系的表示、识别和度量是复杂体系研究的重要问题。通过对网络信息体系(networked information system of systems, NISoS)中要素系统间交互行为的依赖性分析, 基于功能依赖网络(function dependency network, FDN)构建了NISoS依赖网络模型(dependency network model of NISoS, DNMN)。综合考虑NISoS作战属性与任务完成效果, 提出了体系节点重要性的度量指标, 在此基础上给出了一种体系重心度量方法。最后, 通过某海上方向联合作战NISoS实例计算, 演示验证了提出的体系模型和重心度量方法的有效性。     

融合BiLSTM的双图神经网络文本分类模型

采用图神经网络模型为整个语料库构建异构图处理文本分类任务时，存在难以泛化到新样本和词序信息缺失的问题。针对上述问题，提出了一种融合双图特征和上下文语义信息的文本分类模型。首先，为每个文本独立构建共现图和句法依存图，从而实现对新样本的归纳式学习，从双图角度捕获文本特征，解决忽略单词间依存关系的问题；其次，利用双向长短期记忆网络（bi-directional long short-term memory，BiLSTM）编码文本，解决忽略词序特征和难以捕捉上下文语义信息的问题；最后，融合双图特征，增强图神经网络模型的分类性能。在MR，Ohsumed，R8，R52数据集上的实验结果表明，相较于经典的文本分类模型，该模型能够提取更丰富的文本特征，在准确率上平均提高了2.17%，5.38%，0.61%，2.48%。