基于模糊聚类规则的网络性能分析方法

利用模糊聚类方法对网络性能进行分析,解决了网络性能分析数据自动聚类分析问题.重点探讨了网络性能分析数据的数据模型的建立和聚类过程,以及根据隶属度函数确立了数据对象的隶属关系,并给出了一个具体的模糊聚类算法.     

集值优化问题ε-强有效元的Lagrange型最优性条件

利用近似锥-次类凸集值映射的性质证明了当序偶集值映射是近似锥-次类凸时,对应的Lagrange函数也是近似锥-次类凸的.利用此结果得到集值优化问题取得ε-强有效元的Lagrange型必要条件,利用ε-强有效元的性质得到Lagrange型充分条件.     

关于同余式sum from i=1 to k(x_i~2≡0(mod p))(1≤x_1

杨波 《四川大学学报(自然科学版)》1992,(1)

类镁离子的能级和振子强度的相对论多组态计算

利用全相对论性多组态Dirac-Fock扩展能级(MCDF-AL)方法系统地计算了类镁离子3s2 1S0-3s3p 3P1(Z=15-54)跃迁的能级间隔和振子强度,计算中考虑了重要的核的有限体积效应,Breit修正和QED修正,所得结果和最近的实验数据及理论计算值进行了比较.     

基于减法聚类产生具有优化规则的模糊神经网络及其软测量建模

提出了一种通过调整减法聚类半径优选模糊规则的软测量建模方法。首先用减法聚类建立T—S模糊模型,然后通过调整聚类半径优选模糊规则数,以取得具有良好泛化性能的模型,之后利用梯度下降混合最小二乘算法精调参数。最后用该方法对初馏塔石脑油干点进行软测量建模,结果表明能较快确定优化模型,并能满足软测量建模精度要求。     

蛋白质的二级结构序列和结构型

从蛋白质的二级结构序列出发 ,提出了冗余的概念 ,定义了冗余数量和冗余长度 ,给出了不同结构型蛋白的冗余数量和长度的分布特性 .统计结果表明 α类蛋白中 30 %、β类蛋白中84 %、α/β类蛋白中 95 %的序列不同程度的存在冗余 ,冗余数量和冗余长度主要分布在 1～ 3的范围 .以主二级结构序列三联体为参数 ,利用信息聚类方法对 α类、β类、α/ β类、α β类的6 0 0个蛋白进行了聚类 ,结果表明 ,对冗余较少的α类蛋白 85 %以上能够较好地聚类在一枝中 ,但对于冗余较多的其它类蛋白不能分在一个大支中 ,大部分可以分散在多个小支中 .以主二级结构序列三联体为参数 ,利用 Mahalanobis距离方法对上述四种结构型进行预测 ,预测的总体准确率为 81 .1 % .聚类结果和利用 Mahalanobis距离分类结果充分展示了蛋白质二级结构序列对结构型的特殊作用 ,但由于冗余的影响使得二级结构序列的信息并未充分显示出来 .说明从蛋白质二级结构序列出发预测结构型和构建蛋白质框架结构是合理的选择     

基于隐马尔科夫模型的浏览路径预测

基于马尔科夫模型的浏览路径预测，仅仅从用户的浏览会话本身出发来预测用户下一步的链接，并不能捕获用户的真正兴趣所在。运用隐马尔科夫模型来分析用户浏览网页的内容，可进一步捕获用户的浏览兴趣，并作下一步的链接预测。当浏览序列长度逐渐增加，系统捕获的用户浏览信息越来越多，此时能够折射出用户的兴趣所在，预测准确率也逐步增加。当浏览序列长度大于或等于8时，预测准确率已经到达80％，提高了预测准确率。     

锌镁铝类水滑石催化臭氧氧化降解吡啶废水的工艺研究

通过尿素水热共沉淀法制备了一种锌镁铝类水滑石（LDHs）,将其煅烧制得焙烧态锌镁铝类水滑石（LDOs）,使用鼓泡搅拌反应器,以吡啶降解率和出水化学需氧量（COD）为评价指标研究了LDOs在臭氧氧化降解吡啶中的催化潜力,并分析了其催化臭氧氧化动力学。结果表明,与单独臭氧氧化相比,LDOs催化臭氧氧化可显著提升对吡啶的降解效果。对于初始质量浓度为300 mg/L的吡啶废水,在反应时间为40 min、催化剂用量为0.6 g/L和初始pH为10的条件下,吡啶降解率和出水COD可分别达到96.9%和71.7 mg/L,并且初始吡啶的质量浓度越低,降解速率越快。此外,LDOs还表现出优异的催化稳定性。单独臭氧和催化臭氧氧化降解吡啶的过程都近似符合伪二级反应动力学模型,同时结果表明·OH是LDOs催化臭氧氧化降解吡啶的主要自由基。吡啶的主要降解产物可能为N-甲基乙酰胺或N,N-二甲基甲酰胺有机物以及硝酸根离子、二氧化碳和水等小分子无机化合物。     

基于CIM的EMS数据平台的设计与实现

为了更好地实现异构系统和调度系统的结合,以数据存储需求为驱动,对面向对象的内存数据库技术进行了深入的分析和研究.分析比较了设计方案,并针对遇到的实际问题,找出了不足,设计实现了一个基于CIM的EMS数据平台,给出了基于FastDB和RDF的CIM数据存储方案.该方案避免了模型之间的映射,降低了CIM模型构建的复杂度,增强了其可维护性、稳定性.     

一种改进的k-means初始聚类中心选择方法

针对传统k-means聚类方法随机选择初始聚类中心而导致的收敛速度慢、聚类效果较差的问题,本文结合空间相似度度量提出一种改进的k-means初始聚类中心选择方法.该方法通过定义空间中样本的相似度,从而选择相似度较小的样本作为初始聚类中心,以减少达到聚类稳定状态的迭代次数,提高聚类的效率.UCI数据集上的实验结果表明,与传统k-means聚类方法相比,本文提出的改进的k-means初始聚类中心选择方法能够使聚类的收敛速度加快,得到良好的聚类效果.