一种基于多指标语言评价信息的聚类方法

针对一类特征指标值和指标权重均为语言评价信息的聚类问题,提出了一种新的聚类分析方法.首先对基于多指标语言评价信息的聚类问题进行了描述;然后依据传统的基于数值信息的编网模糊聚类分析方法的基本思路,在将语言短语转换成三角模糊数的基础上,给出了解决多指标语言评价信息聚类问题的计算步骤.最后,通过给出一个算例说明了所提出的聚类分析方法.该聚类方法拓宽了编网聚类分析方法在解决基于多指标语言评价信息聚类方面的应用.     

一种基于网络的入侵检测模型及其实现

在入侵检测CIDF体系结构基础上,提出了基于网络的二层式多数据包分析入侵检测模型.这一模型中,事件分析器对当前事件分两层进行处理:先将当前事件结合历史事件进行关联分类,找出与当前事件关联紧密的历史事件;然后对包含当前事件的这一类关联事件进行回归分析,最终发现潜在的协同攻击和分布式入侵行为.仿真试验说明该算法模型能够检测出传统入侵检测系统难以发现的分布式入侵行为.     

达巴松凸起石炭系火山岩油气勘探技术研究

准噶尔盆地下组合火山岩发育,受埋深大、构造运动活跃且持续时间长等客观因素影响.研究区深层断裂系统复杂,火山岩体的识别与刻画存在诸多困难.为此,运用GeoEast解释系统提供的构造导向滤波、基于特征结构的相干结合体曲率等技术对断层进行识别;通过已钻井资料与地震相属性结合的方法,明确不同火山岩性地震反射特征,建立研究区火山...     

基于Kriging模型的多点加点准则和并行代理优化算法

针对并行仿真环境下复杂工程系统的优化设计问题,提出一种基于Kriging模型、多目标策略和聚类方法的并行代理优化算法.该算法的多点加点准则,以同时优化期望改进准则和可行性概率准则为目标,首先生成兼具目标响应改进和可行域边界刻画功能的备选试验点集;再利用聚类方法从备选点集中选取多个有代表性的新试验点.通过两个数值算例和一个工程算例,将所提并行优化算法与已有算法做比较,结果表明所提算法具有更高的优化精度、效率和稳健性.     

中距协同空战决策过程二次聚类重构与评估

未来空战将以中距空战为主,找出导致中距空战结果的原因是开展贴近实际的中距空战智能决策需解决的重要问题。针对空战训练过程中记录数据分布的复杂特点,建立了中距协同空战训练评估模型,提出了基于高阶导数聚类和相对模糊熵聚类的二次聚类方法,计算编队协同决策集,实现编队中距协同空战决策过程重构。以编队协同搜索和协同机动决策的角度,寻找编队协同决策与中距空战结果的相关性,并通过实例评估验证了聚类算法的合理性。     

基于超图聚类的用户行为模式挖掘

为解决代理服务器端用户行为日志的高维特征,提出一种基于超图模型的Web会话聚类方法。该方法利用页面归约和隐含在会话中的时间等统计信息描述会话,并在此基础上利用基于关联规则的超图对用户会话进行聚类,可以在较高层次上发现代理服务器端的用户行为模式。实验结果表明,该方法可以在大型的代理日志文件集中挖掘出有意义的用户行为模式,有效揭示用户的行为规律。     

混合型模糊聚类分析方法及其应用

在动态聚类方法和模糊ISODATA方法的基础上,提出了混合型模糊聚类分析方法.该方法首先利用传统的传递闭包方法得到1个初始分类,并在此基础上提出初始分划矩阵,根据考虑权重因子的模糊ISODATA方法对相关数据进行迭代计算,从而对数据进行有效分类.以股票分类为例对该方法进行实证分析,分析结果表明,应用该方法可以对股票进行有效分类优选.     

基于灰色系统理论的360°绩效考评

文章基于对现行的绩效考评方法的特点和有效性的分析,构建了360°绩效考评层次结构模型,利用层次分析法并结合德尔菲法确定各考评指标的权重,再运用灰色系统理论的原理和方法,提出一种以定量分析为主并与定性分析相结合的360°绩效考评方法;通过实例分析,此方法具有把各层考评者提供的"贫信息"做出系统综合的优点,最终不仅能得到被考评者的总评所属灰类及优劣顺序,而且可以得到各级指标所属灰类和具体的灰色评价权数,使360°绩效考评较好地达到了绩效反馈目的。     

基于粗糙熵和K-均值聚类算法的图像分割

针对基于粗糙熵的图像分割算法不能满足复杂图像的多类目标提取的需要,本文先利用K-均值聚类算法对图像进行区域分割,再利用基于粗糙熵的方法对分割结果进行目标提取,从而达到多阈值分割的目的。通过对遥感图像进行分割处理,证明了改进后算法的有效性。     

基于时变的我国开放式基金选股和择时能力定量分析

金融时间序列数据常常发现有波动聚集的现象即波动随时间变化的现象.选取2003年前发行的15只开放式基金的周数据作为样本,在T-M模型和H-M模型的基础上加入GARCH效应来分析基于时变的我国开放式基金的选股和择时能力,以求对这两种能力更精确的评估.实证结果表明,传统的T-M模型和H-M模型不仅高估了基金经理的选股能力,还高估了基金投资组合的系统风险.因此,为了去除这种高估的偏差,应该在评估基金绩效或基金经理选股、择时能力时在模型中考虑GARCH效应.