提高区间运算的循环处理精度

循环语句大量应用于程序开发中,但是在静态分析领域,对循环语句的处理还很不完善,存在着不终止和迭代不收敛等一系列问题。传统的循环处理策略所涉及的程序语义信息有限,无法应用于静态分析缺陷检测中。该文提出一种基于符号运算和抽象解释理论中Widening/Narrowing算子的循环处理方法,并将其应用于区间运算之中,以提高检测精度。所述方法已在缺陷检测系统(DTSGCC)中实现,对大量Linux中GCC开源工程的测试结果表明:该方法可以提高区间运算中循环处理的精度,减少潜在的误报。     

基于二维区间Hash链的RFID安全协议

作为未来物联网(IOT)的核心技术之一,无线射频识别(RFID)系统由于设备的局限性而存在许多安全问题.在分析几种典型安全协议核心思想的基础上,提出了基于二维区间(two-dimensional region,TDR)Hash链的安全协议.该协议以区间划分的方式标识各链,从而提高了数据库的检索效率;同时,由于在协议中引入了随机性,RFID系统的安全性得到了进一步增强.     

模糊数值直觉模糊群的性质及一个重要结论

定义了模糊数值直觉模糊群,讨论它的一些运算,研究它的一些性质并加以证明.最后在两个非空有限经典群同态意义下,证明了这种模糊数值直觉模糊群的像仍是模糊数值直觉模糊群.     

一类灰色随机多准则群决策方法

针对准则值为区间灰数概率的离散型灰色随机变量且准则权重和决策者权重都完全未知的灰色随机多准则群决策问题,提出了一种基于偏差函数的决策方法.该方法通过计算每个决策者的主观判断矩阵与客观判断矩阵之间的偏差来确定该决策者的权重,基于主客观判断矩阵偏差最小化思想建立规划模型,求解该规划模型可同时得出准则权重向量和决策者权重向量...     

模糊集合乘积测度的构造

通过对模糊笛卡尔集定义的研究,指出其在乘积测度构造上的缺点,通过改进定义了新的模糊笛卡尔乘积,通过新的定义也构造出了模糊集合乘积测度.为后面更好的研究函数在二维模糊集上的重积分打下了一个很好的基础.     

模糊逼近网络摄动系统及其在智能运输中的应用

以20世纪80年代中期兴起并紧密结合现代科学技术进步的一个新兴领域——智能运输为实际背景,分析了模糊神经网络有待解决的问题;针对这些问题提出了一个新的系统——模糊逼近神经网络摄动系统,并介绍了关于这个系统所开展的一些工作,对开展智能运输的研究将具有启迪作用和现实意义。     

人工智能应用中基于区间代数的时态推理

时态表示和推理是人工智能领域的重要研究内容之一,它的应用范围分布很广,从逻辑基础研究到知识系统的应用.区间代数是一种独立的与领域无关的时态理论.用区间代数能表示不确定的时态关系,可以很方便地用于时态推理,表达能力强;时态关系的区间表示比较直观,可理解性强;同时区间代数可以进一步扩展到二维空间领域,即将区间代数拓展为矩阵代数,实现二维空间推理.在一维时态推理中,将时态的区间表示和矩阵表示相结合,在提高计算效率的同时,保持了形象直观的时态表示.     

动态性状基因座的复合区间定位

动态性状因其广泛性和重要性而备受动植物遗传育种研究者关注. 用分子遗传学方法探索该类性状的遗传机制已成为一个极富挑战性的研究课题. 将关于时间(测定日期)的Legendre多项式镶嵌在遗传模型的每个遗传效应中, 以刻画QTL和协同因子对动态性状变化过程的作用, 从而建立动态性状基因复合区间定位分析的数学模型. 利用复合区间定位策略的优势, 提高对控制动态性状多个QTL的检测效力. 以F₂设计群体为例, 阐述了动态性状基因复合区间定位的似然分析原理, 推导了参数似然估计的EM法两步求解过程. 模拟实验证明, 相同设计条件下, 复合区间定位对分布在同一连锁群上多个影响动态性状QTL的检测效果明显好于区间定位; 随着协同因子数目的增加, 复合区间定位不但能检测出更多的甚至所有的QTL, 而且对每个QTL分辨得更加清楚. 在实际应用过程中, 应针对动态性状的变化规律, 并考虑计算成本恰当地选择协同因子数目.     

混沌时间序列联合预测方法

在混沌时间序列加权一阶局域预测法的基础上, 利用数理统计方法中的区间估计概念并通过对预测误差分布的学习, 提出一种新的联合预测方法, 在给出预测值的同时, 给出该预测结果的置信区间, 并用Logistic映射产生的时间序列检验了算法的有效性.     

基于MPA-LSTM模型和Bootstrap方法的短期光伏功率区间预测

光伏发电功率的波动性和间歇性为电力系统调度管理带来巨大的挑战,精确的光伏功率区间预测是解决上述问题的一种有效途径。为此,本文提出了一种基于LSTM网络的新型短期光伏功率区间预测模型。采用MPA对LSTM网络的隐含层神经元数和训练批次数等超参数进行自动寻优,以克服随机选取LSTM模型参数过程中存在的盲目性、费时等问题;并将MPA-LSTM模型用于光伏功率点预测。然后,采用Bootstrap方法分析模型预测结果的误差分布,确定模型预测输出的区间范围。最后,通过对比仿真验证所提模型的有效性。结果表明：本文所提的MPA-LSTM模型均方误差的平均值为1.09%,优于SVM、LSTM、PSO-LSTM和MPA-SVM模型;Bootstrap方法能够准确地描述给定置信度水平下的光伏功率波动范围。