L-smooth拓扑空间中的预连续映射

在L-smooth拓扑空间中利用L-smoothr-预开集与r-预闭集引入了L-smooth预连续映射、L-smooth预连续开映射及L-smooth预连续闭映射的概念,同时,给出了它们的等价刻画.从而,丰富了已有的结果.     

R^N上一个p-Laplacian问题的无穷多个变号解（英文）

考虑下面这个p-Laplacian问题多重变号解的存在性：-△pu＋｜u｜（p-2）u=f（x,u）in RN,其中u∈W1,p（RN）（p≠2）.我们结合对称临界性原理,不变集的方法和极小极大的方法,在f（x,u）关于u是奇的和其它的假设条件下,获得了上述问题的一个无界的径向对称的变号解序列.在N=4或N=6时,通过选择一个非径向对称子空间使得它包含的所有非零函数都是变号的,运用对称山路引理和对称临界性原理,获得了上述问题的一个无界的非径向对称的变号解序列。     

基于向量模糊模式识别的纹理图像分割方法

提出了一种基于同步自回归（ＳＡＲ） 模型和模糊信息原理进行纹理分割的方法．利用二阶ＳＡＲ模型对图像纹理进行描述,用最小平方误差方法对模型参数进行估计,将估计的参数作为纹理的特征向量．根据模糊信息原理,分析了纹理图像的模糊特性,给出了一种基于向量模糊集合簇模糊模式识别的纹理分割方法．实验结果表明,用所提出的方法进行图像纹理分割取得了较好的分割效果．     

关于Farkas引理证明的一点注记

许多关于非线性规划的专著,如[1]、[2]、[3]等,在证明Farkas引理时都蕴含地用到:“有限生成的凸锥(finitely generated convex cone)为闭集”这样一个事实,但都忽略了对此作出证明。本文旨在于非线性规划的内容范围内证明这一重要事实,从而对上述专著中Farkas引理的证明作出补充。     

渐进式序列模式挖掘算法IMSP分析

序列模式挖掘是数据挖掘中最重要的研究课题之一。基于记录频繁集各元素的Ctid表的基础上，有研究者提出一种渐进式序列模式挖掘算法IMSP，目的是支持度保持不变，而数据库变化不大时，如何利用前次的结果和中间结果，以加速本次挖掘过程。笔者深入分析了算法IMSP结构，指出该算法在时间复杂度，挖掘规则的完备性上的不足，同时也指出利用该算法所可能得到的错误结果。     

基于粗糙集理论的系统建模方法

根据粗糙集理论，提出了粗糙集建模的方法，并给出了建模步骤：首先采集系统的输入输出样本集，建立决策表，然后根据相对约简求出属性的重要性，由其重要性得出决策的最简形式，从而得到系统的粗糙集模型。以线性系统为例建立了粗糙集仿真模型，验证了模型的有效性。仿真结果表明，在开环条件下建立的一阶系统粗糙集模型，能适应于开环和闭环，也能适应于可变的输入信号；二阶系统模型只能适应于建模时的情况。该建模方法可以推广到非线性系统的建模中。     

基于遗传优化的粗糙神经网络模式识别器及应用

通过粗糙集获取知识表达系统的分类规则，用产生的规则对神经网络进行编码，并利用遗传算法对初步学习后的神经网络的权值进行优化，最终得到一个神经网络模式识别器。举例说明了采用这种方法得到模式识别器的过程及其对待识别对象的学习和分类效果。结果表明：采用粗糙规则对神经网络编码可以缩短神经网络的训练过程，遗传算化对神经网络权值的优化可在一定程度上提高模式识别的精度。     

复合行星齿轮传动系统分岔与混沌特性研究

建立了含中心件平移振动的拉威娜式复合行星齿轮传动系统非线性动力学模型,推导了构件间相对位移并建立了系统的运动微分方程组．采用数值积分法对方程组进行求解,得到了系统的非线性动态响应结果．综合运用分岔图、时间历程曲线、相空间轨线、庞加莱截面与功率谱分析了激励频率对系统分岔与混沌特性的影响．结果表明：齿侧间隙与时变啮合刚度等非线性因素的耦合使得复合行星齿轮传动系统内部具有丰富的非线性动力学行为;增大系统啮合阻尼比可以使系统逐渐摆脱混沌状态,进入稳定的周期运动．     

Designing a Hybrid Intelligent Mining System for Credit Risk Evaluation

In this study, a novel hybrid intelligent mining system integrating rough sets theory and support vector machines is developed to extract efficiently association rules from original information table for credit risk evaluation and analysis. In the proposed hybrid intelligent system, support vector machines are used as a tool to extract typical features and filter its noise, which are different from the previous studies where rough sets were only used as a preprocessor for support vector machines. Such an approach could reduce the information table and generate the final knowledge from the reduced information table by rough sets. Therefore, the proposed hybrid intelligent system overcomes the difficulty of extracting rules from a trained support vector machine classifier and possesses the robustness which is lacking for rough-set-based approaches. In addition, the effectiveness of the proposed hybrid intelligent system is illustrated with two real-world credit datasets.     

单向S-粗集对偶与数据筛选-过滤的扩展应用

S-粗集(singular rough sets)是对Z.Pawlak粗集的改进,单向S-粗集对偶(dual of one direction sin-gular rough sets)是S-粗集的基本形式之一。利用单向S-粗集对偶,给出数据属性,数据筛选-过滤概念,数据筛选-过滤序定理,合成数据筛选-过滤定理,及数据筛选-过滤准则。利用这些结果,给出应用。单向S-粗集对偶是动态数据筛选-过滤研究的一个新工具。