潜在表示学习框架下的低冗余多视图聚类算法

基于潜在空间学习的多视图聚类研究得到了较大发展,但其通常忽略了原始数据中冗余信息的存在可能会带来不理想的聚类结果。为解决这个问题,提出一种潜在表示学习框架下的低冗余多视图聚类算法。基于k-means的方法,直接从各视图数据学习其低维表示,由于该低维表示的各个特征相互正交,学习到的低维表示通常含有较少的冗余信息。基于潜在空间的假设,各视图的低维表示可由同一个潜在表示投影得到。将两者结合,就能得到一个具有低冗余信息的统一的潜在表示。设计了一个优化算法来求解目标问题,在多个公开数据集上的实验表明了该算法的有效性。     

模糊聚类应用于MIS子系统划分的研究

本文介绍了模糊聚类应用于ＭＩＳ子系统划分的新方法,包括基于模糊等价关系的方法和基于模糊相似关系的“最大树”方法．     

采用HK模型的防空反导作战网络建模分析

采用HK网络模型对防空反导作战网络进行建模,对网络度分布、集群系数、平均距离的统计特性进行分析。将网络模型与典型树状结构的防空反导网络和基于BA无标度模型的网络进行比较,表明基于HK模型的防空反导作战网络具有较好的集群系数和无标度特性,同时表明改变TF连接概率进行防空反导网络设计具有更好的灵活性。     

互换性与测量技术基础试题库及软件开发

本着操作简单、方便、实用、功能强的原则,开发了《互换性与测量技术基础题库系统》软件,用此软件,使略有Ｗｉｎｄｏｗｓ操作基础的教师,在不到一的时间内就可以自动生成一份试卷。     

基于模糊聚类分析的织物质量分级方法

织物性能的分类、分级信息是纺织品质量评估的直观表述。在织物客观评估的基础上，提出了基于减法聚类与模糊C-均值(FCM)聚类的集成方法用于纺织品质量评估分析。该方法以减法聚类算法得出的样本的最佳分类数为基础，用FCM聚类算法得到具体的分类结果。将聚类中心的特征值之和定义为分级指数，进一步用于解决织物质量的分级问题。通过对法国鲁贝高等纺织工程学院自织的43块棉针织物的分析，证明了以上方法在处理纺织品质量分类、分级问题中的有效性。     

一种基于时序分析的大型重载支承轴隐蔽部位疲劳裂纹诊断方法

大型重载支承轴隐蔽部位因发生不可观测的突发性疲劳断裂事故,严重影响生产的正常进行,给企业带来重大的经济损失.在分析支承轴振动特性的基础上,通过在机械结构外部便于检测部位提取反映结构疲劳裂纹状态的特征信号,编写相应的MAT-LAB程序构建时序模型,然后模拟支承轴实际工况,将裂纹产生、发展、断裂过程划分为5种状态,建立标准故障模式特征向量空间.运用模糊聚类分析方法,结合Euclide距离判别函数,找出与标准故障模式特征向量中隶属度最大的特征向量,从而有效诊断支承轴隐蔽部位疲劳裂纹状态的程度.最后通过实例验证了该方法的正确性和可行性.图2,参5.     

Sp(4,K)的WEYL模分解

给出了G=Sp(4，K)时WEYL模的分解模式，给出了Sp(4，K)的WEYL模分解。     

运动车辆图象序列的分割与跟踪

结合现代通信手段，提供了诸如查量导航，交通监控，辅助驾驶和智能收费等多种服务，解决了如何从系列图象中进行车辆的提取，跟踪车辆以及运动参数的估计，道路车辆的状态信息的获取问题，有利于帮助提高道路的设计方案，规划路线，缓解车辆阻塞，减少出行时间。     

产品策划在产品创新设计体系中的应用方法

在产品生命周期中，早期的产品策划一端联系着顾客的需求和心理偏好，另一端联系着新产品的概念定义和后续开发工作。因此，产品策划是否准确地把握了未来市场和顾客的需求，就直接关系着后续新产品设计和生产销售的成败，可以说产品策划是影响未来产品竞争力和企业竞争力最重要的环节。以消费类产品为例，介绍产品策划的业务流程、理论方法和应用技术，并阐明产品策划在产品创新设计体系中的地位和作用，提出了包括市场研究、机会识别、概念定义到概念转换的新产品策划整体解决思路。     

A dynamic fuzzy clustering method based on genetic algorithm

A dynamic fuzzy clustering method is presented based on the genetic algorithm. By calculating the fuzzy dissimilarity between samples the essential associations among samples are modeled factually. The fuzzy dissimilarity between two samples is mapped into their Euclidean distance, that is, the high dimensional samples are mapped into the two-dimensional plane. The mapping is optimized globally by the genetic algorithm, which adjusts the coordinates of each sample, and thus the Euclidean distance, to approximate to the fuzzy dissimilarity between samples gradually. A key advantage of the proposed method is that the clustering is independent of the space distribution of input samples, which improves the flexibility and visualization. This method possesses characteristics of a faster convergence rate and more exact clustering than some typical clustering algorithms. Simulated experiments show the feasibility and availability of the proposed method.