定数截尾数据缺失场合下k(m)/n系统可靠性指标的经验Bayes估计

在定数截尾缺失数据样本下,研究了不可修n中取m串连续k失效系统(简记为k(m)/n系统)的可靠性评估问题.利用Bayes方法和极大似然估计法得到了部件的平均寿命、系统可靠度及平均寿命等可靠性指标的经验Bayes估计.最后利用随机模拟例子说明了本文方法的正确性和可行性.     

基于加权熵的重要性不对等样本学习的知识约简

由于学习样本的分布特性和所反映的主观特性的不同,每一个样本相对于学习算法的重要性程度往往是不对等的,为了能够在知识约简过程中考虑到学习样本的不对等性,提出了基于加权熵的知识约简方法。针对各类别样本分布不均匀的样本重要性不对等情况,为了加强小类样本所蕴含的知识在知识约简中的体现,提出一种逆类概率加权的不对等样本加权方法,实验表明该方法能够明显提高小类样本的分类正确率,也验证了基于加权熵的知识约简方法能够将样本的不对等性体现在知识约简结果中。     

NA样本回归函数递归型估计的强相合性

本文在NA相依样本下给出了非参数回归函数加权递归核估计gn(x)=n∑(i=1)yi(xi-xi-1)/hi K(x-xi/hi)的渐近无偏性和相合性的充分条件。其中这里得到的充分条件与一般加权回归函数核估计的相合性几乎完全一致。     

基于属性重要性和样本信息熵的多连续属性离散化后处理方法

有效判别决策表中离散化后样本数据的类型对于对后继阶段的机器学习和数据挖掘过程具有非常重要的意义.本文提出了一种基于属性重要性和样本信息熵的数据类型判别方法,并利用人工改造的一部分UCI数据库进行了模拟试验,结果表明方法是有效的,识别样本数据的准确率较高、识别错误率和拒识率较低.     

多市场非均衡模型的模拟建模方法

将模拟方法引入到无样本分割信息的多市场非均衡计量经济模型中,建立起多市场非均衡模型的GHK模拟极大似然法,并通过仿真实验说明了该模拟方法的有效性。     

筛选极坐标投影幅值特征的象棋定位与识别

为保证象棋机器人视觉系统中棋盘棋位检测、棋子定位与识别的准确性,本文首先利用梯度法获取棋盘区域,比例法得到棋位坐标,然后在棋位处的子域利用霍夫变换判断棋子存在性并获取棋子圆心坐标,Lab的a分量分割判断棋子颜色,利用极坐标投影,快速傅里叶变换提取特征,最后皮尔逊相关系数进行特征筛选,欧式距离进行12类字体的分类。对训练集和测试集采集的576和 1024个不同位置角度的棋子样本分别进行测试,子域内棋子存在性、棋子棋位编号以及棋子颜色判断的错误率都为0。利用训练集获得字体类中心后,在训练集和测试集分别进行字体识别测试,筛选字体特征的识别方法的错误率为0.17%(错1个)和0.29%(错3个),与不进行特征筛选的方法相比,错误率分别降低了0.35%和0.39%。表明本论文棋位检测、棋子定位与识别方法的优秀性能,为构建象棋机器人视觉系统打下算法基础。     

基于ICA与小波阈值的癫痫脑电信号去噪方法

在癫痫性发作的自动检测中,脑电信号的去噪对检测结果起着至关重要的作用。文中提出了一种新的基于ICA与小波阈值的癫痫脑电信号去噪方法。该方法首先利用ICA将多通道癫痫脑电信号分解为若干独立分量;其次基于独立分量与脑电信号间的夹角余弦识别含噪独立分量并用小波阈值对其去噪处理;最终,在去噪后的癫痫脑电信号与原始癫痫脑电信号中提取样本熵作为脑电特征,并结合超限学习机完成癫痫性发作的自动检测。实验结果表明,在去噪后癫痫脑电信号上的分类性能均优于原始癫痫脑电信号,该文所提方法一定程度上达到了自动去除脑电噪声的效果。同时,该方法避免了去噪过程中对噪声人工辨别及干净参考噪声选取等问题。     

需求分布含未知参数时报童模型的实施方法

考虑需求分布未知时的报童模型,假设需求分布的类型已知,但分布函数中含未知参数.证明了直接使用参数的估计量代替参数真实值的实施方法将使报童的期望利润偏离理论上的最优水平,只能得到一个次优结果.给出了两种修正的实施方法:一是基于大样本理论,通过收集足够多的需求样本数据,不断修正未知参数的相合估计值;另是在小样本下,直接修正未知参数的估计量.     

基于聚类的多样本复发拷贝数变异检测算法

拷贝数变异是人类基因组中一种重要的结构变异类型.不同样本中相同区域出现的拷贝数变异称作复发拷贝数变异.研究表明,复发拷贝数变异与人类复杂疾病紧密关联.提出一种基于聚类思想的多样本复发拷贝数变异的检测算法,该算法首先提取两种与复发拷贝数变异密切相关的特征:即多样本中每个位点的拷贝数变异比率和拷贝数变异幅度均值,然后利用聚...     

基于平行注意力机制的对抗样本防御方法

为降低对抗样本的影响,提高分类模型在遭受攻击威胁下的精度,利用哺乳动物视觉系统工作原理,结合注意力机制,提出一种新型防御对抗样本模型PSCAM-GAN(Parallel Spatial and Channel Attention Mechanism Adversarial Generative Network)。该防御模型在通过编码器获得对抗样本的特征图后,使用平行注意力机制提取特征图中的个体和位置信息,然后在保证这些特征不变的情况下,重新调整特征图的权重,通过解码器产生净化结果。该方法能在清除恶意扰动的同时保持净化结果与输入的一致性,有效降低对抗样本对模型精度的影响。在CIFAR-10和MNIST数据集上,PSCAM-GAN面对多种对抗样本攻击时的防御效果超越了其他基于预处理的防御方法,能有效提高模型的健壮性。