两个广义双曲度量的Gromov双曲性及其等距变换

首先证明对开集GRn,广义双曲度量jGp是Gromov双曲的当且仅当G只有一个边界点,这是文献[5]中Hast的结果的推广;然后借助证明Apollon度量的Gromov双曲性得到对于任意的区域GRn(Card G≥2),广义双曲度量δpG是Gromov双曲的;最后证明对区域GRn(n≥3),关于广义双曲度量jpG和δpG的等距变换是Mbius变换,对于后者G应满足CardG≥2.     

第二类超Cartan域的完备Einstein-K(a)hler度量及其全纯截曲率

给出了第二类超Cartan域的完备Einstein-Kiihler度量的显表达式及其全纯截曲率的上下界的估计．     

基于多尺度AlexNet网络的健康因子构建方法

针对目前健康因子构建方法存在的单调性和趋势性不够理想的问题,提出一种基于多尺度AlexNet网络的轴承健康因子构建方法。该方法首先利用连续小波分析将原始振动加速度信号转换为时频图,将时频图作为输入对多尺度AlexNet网络进行训练;然后利用训练好的网络在线构建测试轴承健康因子;最后根据健康因子评估准则评估初步构建的健康因子,利用评估结果调整网络参数,实现迭代优化,进一步提高健康因子的单调性和趋势性。实验对比分析结果表明：该方法显著提高了健康因子的单调性与趋势性,不需要进行特征提取、特征选择、特征融合等步骤,具有较高的构建效率和泛化性。     

《武汉大学学报(人文、社会科学版)》2000-2002年文献计量分析

以2000—2002年《武汉大学学报(人文、社会科学版)》的706篇论文为样本,通过对载文状况、作者状况、引文状况的统计分析,揭示了该刊的学术质量及特色。     

时延约束的最小费用路由选择算法

如何找到效率高、性能优的路由算法成为了一个热点。QoS路由算法的实质就是求解多约束整数规划问题,这类问题通常都是NP-hard问题。针对满足两个度量的路由选择,利用Lagrange松弛和剪切网络的方法,给出了一个从源点到宿点满足给定时延门限值求解最小费用路由的启发式算法。仿真结果表明了算法是有效的。     

构件质量模型研究

 基于ISO/IEC 9126软件质量标准,结合白盒构件和黑盒构件的特点,提出了适用于构件开发者、复用者和第3方的构件质量模型,为构件评价工作提供一定的参考.     

拟爱因斯坦度量的势函数估计

拟爱因斯坦度量是Ricci孤立子的一般形式.如果流形非紧,关于闭流形上拟爱因斯坦度量的势函数估计还没有结果.文章应用关于数量曲率估计的结果得到了完备非紧黎曼流形上关于拟爱因斯坦度量势函数的下界估计,并给出一个拟爱因斯坦度量的例子.     

基于GB/T 20274的信息系统安全技术保障评估及计算机实现

国家标准GB/T 20274定义了信息系统的安全技术保障要素集,并建议以能力成熟度等级的形式度量信息系统的安全技术保障性。本文首先对安全技术保障度量的能力成熟度等级进行量化处理;其次将信息系统组件的安全技术保障性表示成向量的形式,在向量和向量∞-范数的基础上重新阐述了信息系统的安全技术保障模型;最后,给出了信息系统的安全技术保障的计算机实现算法。仿真实验结果验证了本文算法能有效地实现信息系统的安全技术保障的评估。     

一种判定程序复杂性标准优劣的方法

本文提出了一种统计方法,对程序复杂性标准的优劣进行评定,对新标准和新方法的开发提供一种验证手段,对McCabe,Woodward等经典标准的分析度量表明,本文提出的方法是行之有效的。     

Efficient Leave-One-Out Strategy for Supervised Feature Selection

Feature selection is a key task in statistical pattern recognition. Most feature selection algorithms have been proposed based on specific objective functions which are usually intuitively reasonable but can sometimes be far from the more basic objectives of the feature selection. This paper describes how to select features such that the basic objectives, e.g., classification or clustering accuracies, can be optimized in a more direct way. The analysis requires that the contribution of each feature to the evaluation metrics can be quantitatively described by some score function. Motivated by the conditional independence structure in probabilistic distributions, the analysis uses a leave-one-out feature selection algorithm which provides an approximate solution. The leave-one- out algorithm improves the conventional greedy backward elimination algorithm by preserving more interactions among features in the selection process, so that the various feature selection objectives can be optimized in a unified way. Experiments on six real-world datasets with different feature evaluation metrics have shown that this algorithm outperforms popular feature selection algorithms in most situations.