与L^p空间相关的Banach空间L^ψ

设Ｘ是局部紧距离空间，而μ是Ｘ上的全有限非负Ｂｏｒｅｌ测度。又设ψ（ｔ）是定义在［１，＋∞）上取正值的函数且使得．在范数线性赋范空间是完备可分的。而且对Ｌ￣ψ（ｘ）上的任一有界线性泛函Φ，存在唯一的函数Ｆ∈Ｌ￣１（Ｘ）使得。     

Particle methods for multiscale simulation of complex flows

The multi-scale structures of complex flows have been great challenges to both theoretical and engineering researches, and multi-scale modeling is the natural way in response. Particle methods (PMs) are ideal constitutors and powerful probes of multi-scale models, owing to their physical insight and computational simplicity. In this paper, the role of different PMs for multi-scale modeling of complex flows is critically reviewed and possible development of PMs in this background is prospected, with the emphasis on pseudo-particle modeling (PPM). The performances of some different PMs are compared in simulations and new development in the fundamentals and applications of PPM is also reported, demonstrating PPM as a unique PM for multi-scale modeling.     

An error variance approach to two-mode hierarchical clustering

A new agglomerative method is proposed for the simultaneous hierarchical clustering of row and column elements of a two-mode data matrix. The procedure yields a nested sequence of partitions of the union of two sets of entities (modes). A two-mode cluster is defined as the union of subsets of the respective modes. At each step of the agglomerative process, the algorithm merges those clusters whose fusion results in the smallest possible increase in an internal heterogeneity measure. This measure takes into account both the variance within the respective cluster and its centroid effect defined as the squared deviation of its mean from the maximum entry in the input matrix. The procedure optionally yields an overlapping cluster solution by assigning further row and/or column elements to clusters existing at a preselected hierarchical level. Applications to real data sets drawn from consumer research concerning brand-switching behavior and from personality research concerning the interaction of behaviors and situations demonstrate the efficacy of the method at revealing the underlying two-mode similarity structure.     

PTES专家系统知识库的构造

本文大专家系统设计方法的指导下，通过对整理、知识表示、知示获取、知识库构造等环节的描述，介绍了一个植物分类专家系统知识库的构造方法     

矩阵表示的子空间学习算法综述

线性子空间学习是较为流形的一种特征提取方法,而向量表示的子空间学习方法则是目前众多线性子空间学习方法之一.近年来人们针对这一方法的缺点和不足,提出了若干矩阵表示的子空间学习方法,这些方法都是向量表示的子空间学习方法的拓展.首先介绍了几种经典的向量表示子空间学习方法,进而对几种有代表性的矩阵表示子空间学习方法进行了综述并比较详尽地给出了这些算法的推导过程,同时对算法的有效性等问题进行了分析比较,提出了一些新的理论观点和见解.     

效应代数的表示及弱表示

目的给出效应代数的表示及弱表示的定义,研究幂集和布尔代数的可表示性。方法用效应代数表示的定义及效应代数中态射的性质得出结论。结果证明了E是可表示的,则E是弱可表示的;若E是弱可表示的,则由E到Hilbert空间效应代数的强态射诱导的效应代数是可表示的;布尔代数格同构和效应代数同构是一致的。结论幂集作为一个效应代数是可表示的,任何有限布尔代数是可表示的效应代数。     

基于增量学习的关节式目标跟踪算法

为实现对关节式目标的稳定跟踪,提出了基于增量学习的关节式目标跟踪算法.该算法应用图割法对目标矩形窗进行前景与背景分割,得到前景图像;然后对前景图像进行快速傅里叶变换,得到傅里叶系数矩阵,进而得到振幅图像,并将振幅图像作为跟踪目标的描述;最后将多个目标描述进行奇异值分解和主元分析,实现对跟踪目标的低维子空间描述.文中在粒子滤波框架下实现了整个跟踪算法.实验结果表明,该算法具有较稳定的关节式目标跟踪效果.     

数据驱动的在线MW-MSPCA故障诊断

针对动态非平稳过程数据的时变性和多尺度性导致故障诊断准确率下降及故障准确定位难以实现的不足,引入滑动窗口多尺度主元分析(Moving window multi-scale principal component analysis ,MW-MSPCA)〖BP)〗,通过小波阈值消噪解决统计模型偏离与数据相关性降低之间的矛盾,并在各个尺度上利用滑动窗口主元分析实现模型更新,然后借助三维贡献图描述反映过程行为变化的各独立过程变量对统计过程的贡献程度,进而对故障准确定位,最后给出诊断准确性的定量评价机制。在对6135D型柴油机进行数值实验中,并通过与传统的多尺度主元分析及自适应多向主元分析比较,实验结果从故障的漏报率、误报率及诊断准确率三方面表明新方法能更好地实现传感器故障诊断。     

空间数据多尺度表达不确定性研究进展

阐述了多尺度空间数据不确定性的研究意义,分析了空间数据多尺度表达不确定性的来源、研究内容、关键技术,最后从空间数据多尺度表达不确定性的研究历程、相关问题、分类及其可视化4个方面综述了空间数据多尺度表达不确定性的研究动态.     

环F_p+uF_p上的广义Reed-Muller码

Reed-Muller码是一类非常重要的代数码,具有很好的代数和组合性质。文章首次将Reed-Muller码的概念引入环Fp+uFp上,定义了更一般的Reed-Muller码URM(p,r,m),给出了它的迹表示,并研究了它的对偶码以及两者之间的关系。特别地,当p=2时,得到了一些更好的性质。