淮海城市群的城市中心性分析

从生产、商贸、信息、交通、科教、金融、医疗和文化8个方面建立起城市中心性综合评价指标体系,运用熵值法和首位度等相关方法,以地级市区为研究单元,对2012年淮海城市群内主要城市的中心性、规模分布和区域差异进行定量分析。结果发现：徐州是淮海城市群的首要中心城市,在生产、商贸、交通、科教、金融和医疗方面的中心性最强,但其首位分布并不显著。徐州的城市中心性不显著,且与临沂、济宁、连云港差距较小。     

基于单元信息熵的半色调图像有效子块提取

针对数字半色调图像有效子块的提取,提出了图像的单元熵及熵矩阵构造的算法.首先,将半色调图像分割成若干子块,对每一个子块的每一个像素点计算熵,得出熵矩阵.然后,对熵矩阵取均值及方差.最后,根据信息理论可得,当熵的均值越大且方差越小时,越能有效地获得子块.实验表明,通过单元信息熵获取的有效子块,含有信息量大,纹理变化平缓,适合用于分类.     

一种改进的颜色粒子滤波目标跟踪算法

为实现运动目标精确跟踪,克服跟踪过程中目标的非线性运动以及由目标形变、遮挡和光照等因素带来的影响,本文提出了一种改进的颜色粒子滤波方法. 算法从提高目标模型描述能力入手,首先对直方图加权函数进行了改进,使模型对区域特征描述更加合理;然后针对颜色直方图特征对光照明敏感、易受环境干扰等缺点,将目标由颜色特征空间映射到对光照稳定、抗几何失真能力强的局部熵特征空间,构建了颜色局部熵观测模型;同时设计了目标模板的自适应更新策略,当目标受到严重干扰的时候动态调节粒子数目. 实验结果表明相比传统的颜色粒子滤波算法,本文算法具有更好的鲁棒性,能够在存在遮挡、光照变化、非线性运动等情况下实现稳定跟踪.      

泊松分布信息熵的性质和数值计算

泊松分布的信息熵是参数λ的无穷级数.证明了泊松分布的信息熵是参数λ的单调递增凸函数;λ误差影响的条件数小于1;在保证精度的前提下,给出了信息熵的有限项求和的近似计算递推公式,解决了无穷级数求和及阶乘溢出的数值计算问题.     

基于熵权可拓决策模型的中原城市群城镇化水平综合评价与分析

以中原城市群各城市城镇化水平为研究对象,利用可拓学原理构建基于熵权可拓决策的城镇化水平综合评价模型,并结合指标数据进行实证分析,最后根据聚类分析结果对每一聚类城市提出提高其城镇化水平的建议.     

基于模糊概念相似性与模糊熵度量的模糊分类算法

在AFS(axiomatic fuzzy set)理论框架下,提出了一种基于模糊概念相似性与模糊熵度量的分类算法.模糊分类规则的前件通过概念聚合得到,一种基于模糊概念相似性与模糊熵度量的概念选择函数指导聚合过程;然后,利用剪枝算法对得到的模糊规则集进行剪枝,得到最终的分类规则集.用8组来自UCI数据库的数据集作为实验数据对算法进行验证,并与7种经典分类方法进行比较.实验结果表明该算法能得到较高的分类精度,分类结果明显优于参照的分类方法.     

基于组合评价方法的城市地下空间详细规划方案评价

为了分析评价和优化改进规划方案,建立了以功能耦合度为评价目标的城市地下空间详细规划方案评价方法体系.从功能类型、开发规模、空间布局以及相互联系4个方面建立了3层次11项底层指标的城市地下空间详细规划方案评价指标体系,提出了地下空间功能类型多样性、地下空间容积率、地下空间开发强度一致性等评价指标,并在指标设计中采用了ShannonWeaver指数、变异系数等数学方法.同时还提出了基于层次分析法与熵值法组合权重赋值方法的综合评价方法.最后以无锡市城市地下空间详细规划为实例进行分析评价,评价结果表明,该方法能反映技术方案样本的特征差异,可有效评价方案的合理性.     

基于相似性最优模块神经网络的股票预测

该文提出一种最优模块化神经网络的模型.BP网络存在学习后面的样本而"遗忘"前面的样本,以及训练速度很慢的问题,但具有泛化能力强的优点,同时网络的结构不会随数据增加而变的庞大.而RBF网络随着输入维数增加其隐藏层的神经元个数呈指数增加,并且其泛化能力不强,但RBF网络具有训练速度比较快,逼近效果好等优点.于是提出最优模块化神经网络的模型,综合BP和RBF网络的优点.使学习样本能力,运算速度,网络规模得到改善.该模型适合于较多的样本训练.     

利用位平面欧拉-熵向量的图像检索方法

首先将图像分解为8个位平面,选择前4个重要位平面,求出其灰度码表示,计算出每个灰度码位平面的欧拉数,组成欧拉向量;其次计算出每个灰度码位平面的信息熵,组成位平面熵向量;再把欧拉向量和位平面熵向量特征综合为一个新的图像特征,最后采用马氏距离计算图像间的相似度.实验结果表明本方法维数低,速度快,且避免了图像量化造成的误检,与比位平面熵算法和欧拉向量算法相比,检索效率高.     

对称损失下一类刻度分布族参数的估计

q对称熵损失函数L(θ,δ)=θ_q/δ_q+δ_q/θ_q-2(0-νe_-T(x)/θ参数θ的估计, 得到 了θ的最小风险同变(MRE)估计及Bayes估计的一般与精确形式, 并讨论了θ的形如cT(X)+d的一类线性估计的可容许性和不可容许性以及θ的MRE估计的最小最大性.