美国和日本企业技术创新倾向原因分析:一个综合模型

美国企业为什么倾向于突破创新而日本企业则倾向于渐进创新,从国家创新系统、融资方式、企业文化、人才市场、创新实施主体等几方面进行了分析,并提出一个综合模型。     

有界域和半平面Phragmen-Lindelǒf定理的推论

本文讨论有界域和半平面Phragmen—Lindel ǒf定理的情形，由此得到两个定理．     

n次参数曲线的算法研究

提出一种生成n次参数曲线的算法,在生成曲线的过程中利用增量计算有效降低了计算量,并动态调整步长,可以使生成的曲线达到像素级,采用堆栈技术充分缩短了计算机的运算时间,提高了运算速度.因传统方法无法描述封闭的曲线,也不同于基于优化的拟合隐式曲线方法,无须考虑函数的形式或多项式的次数.算法涉及了动态调整步长问题,并分类处理了各种情况,因而该方法有很强的物体边界描述能力和缺损修复能力,在物体边界重建、缺损图像复原等领域有一定的应用前景.     

一种网络日志挖掘的高效算法

提出了一种网络日志挖掘算法PWU,其采用了异构树结构。通过对异构树叶子节点进行编号,使得对候选集计数时只需对具有相同编号的叶子节点进行计数,极大地简化了候选集计数过程。在此基础上,算法还具有增量挖掘功能。最后,从理论分析和实验两方面证明了算法的高效性以及增量挖掘功能的高效性和完备性。     

两货栈库存模型:考虑时变需求和价格折扣

已有的确定性两货栈(自己货栈(OW)及租用货栈(RW))库存模型通常不考虑增加量价格折扣，然而在实际生活中，增加量价格折扣却是促使库存管理者加大订货量的一个重要原因，论文针对需求随时间而变化的物品，通过考虑增加量价格折扣而将两货栈系统作了进一步扩展，在采用间隔式运输模式运送RW的物品到OW的情形下，就缺货要补和缺货不可补而只能损失销售两种情况，分别建立了相应的带有增加量价格折扣并允许短缺的两货栈库存模型，为销售商实际的库存管理决策提供了理论依据。     

一种基于MapReduce的动态数据流分类算法

当前动态数据流下的实时分类问题存在3个难点:针对海量数据的实时处理;概念漂移的跟踪和模型的更新;模型的稳定和鲁棒性.针对上述问题,将极端支持向量机(extreme support vector machine,ESVM)与MapReduce框架结合,提出了带遗忘因子的鲁棒ESVM算法.该方法通过构造残差权重矩阵,对残差进行修正,同时加入遗忘因子,提高新样本的作用,从而实现对海量数据处理问题的求解.实验结果显示,所提出方法能够快速有效地对动态数据流进行分类,且结果不易受到噪声干扰,稳定性强.     

MIMO系统中基站天线递增选择算法

在散射体丰富的环境中,信道容量受终端移动的影响很大,为此提出一种基于动态的多入多出（MIMO）散射无线信道模型,分析了移动终端对该无线信道容量的影响,并讨论了在移动过程中进行天线选择为系统性能带来的提升。 仿真结果表明,信道容量随着天线单元间距的增大而增大,随散射信号扩展角度的变大而增加,移动环境下的信道容量要小于准静态环境下的信道容量,且动态天线选择能够有效提升系统容量。      

河南省小额贷款公司风险控制研究

通过分析近几年河南省小额贷款公司的发展趋势和调查走访河南省小额贷款公司，剖析了政策动向，了解了公司经营现状及风险情况，这些风险主要包括资金非常短缺及赋税过重，监管难问题，缺乏专业人员，风险控制能力弱，经营不规范，信贷风险大，同时给出解决经营风险的对策。     

基于IMDS-DLNS方法的工业过程故障检测

针对多维尺度变换(multidimensional scaling,MDS)方法对高维数据进行维数约简时,新样本缺少映射矩阵无法进行低维嵌入的问题,提出了增量式多维尺度变换(incremental multidimensional scaling,IMDS)方法。首先,引入双重局部近邻标准化(dual local nearest neighbor standardization,DLNS）技术以解决IMDS方法降维后数据仍然具有多中心、方差差异明显等问题;其次,采用Hotelling T²统计量对过程进行监控,组成增量式多维尺度变换和双重局部近邻标准化的故障检测方法(IMDS-DLNS);最后,通过数值模拟过程和青霉素发酵过程,将IMDS-DLNS方法分别与PCA,KPCA和FD-KNN等方法作对比分析。结果表明,IMDS-DLNS对比其他方法有更高的故障检测率。IMDS-DLNS方法对多变量、多模态过程具有良好的故障检测能力,能够保障产品质量和生产的安全性,可为工业过程故障检测研究提供参考。     

Incremental clustering algorithm via crossentropy

1.INTRODUCTION Fuzzyclusteringisanunsupervisedwayofdatagrouping andusefulinpatternrecognition,informationretrieval,imageprocessing,faultdetection[1,2].Itgroupsdatainto finiteclustersbyusingsomekindsofmeasuressuchasthe linearandnon lineardistance,theentropymeasure,or inclusiondegreeinfuzzyenvironments.Intermsofthe modelsandmeasuresbetweenobjects,differentalgo rithmspartitiondifferentdatasetsandproduceclusters withdifferentshapesandhavedistinctdifferenceintime andspaceefficiency.Currentclus…