采用局部粗糙集模型的决策规则提取

研究基于局部粗糙集模型下的决策规则提取.对经典粗糙集的决策规则提取进行改进,给出局部粗糙集模型下的决策规则公式,并研究相关性质.结合局部粗糙集模型给出的规则提取公式,引入参数值α,α∈(0,1],使规则提取公式的泛化能力更强,适用性更广.通过3个实例对局部粗糙集模型决策规则提取的运用进行说明.     

n值Lukasiewicz命题逻辑系统中公式的绝对真度理论

在n值Lukasiewicz命题逻辑系统中,回避均匀概率空间中的无穷乘积测度,借助逻辑公式A所诱导的函数引入逻辑公式A的绝对真度概念,并利用绝对真度定义公式间的绝对相似度和伪距离.讨论绝对相似度和伪距离性质.证明┑,→,∧,∨运算在伪距离空间中是连续的.     

乡村人居环境与满意度评价——以镇江典型村庄为例

乡村人居环境是人居环境系统中不可分割的组成部分,同时也是我国社会主义新乡村建设的重要内容.以村庄作为研究尺度,以镇江典型村庄为例,构建包括乡村人居环境建设水平评价体系和村民满意度评价体系两个方面的乡村人居环境评价模型,从客观建设水平和主观感知度进行双方面评价,并对两者的评价结果及其相互差异进行了剖析,指出乡村人居环境实际建设水平是村民满意度形成的物质基础,而社会心理因素是导致满意度偏离的主要原因.     

非师范类大学生集中实习满意度及其影响因素分析——以西南大学为例

集中实习是体现"以本为本"精神,强化实践育人的重要方式.文章以西南大学为例,从参与率、满意率和获得率3个维度探讨非师范类大学生对集中实习的认可满意度;从学校和实习单位两方面分析集中实习满意度的影响因素并提出相应的改进建议,旨在为解决非师范类大学生集中实习过程中可能出现的问题提供启示.     

粉煤灰-水泥浆体水化动力学模型

探讨了Dals提出的水化模型在密封及饱水养护条件下的适用性问题,分析了粉煤灰对水泥水化动力学影响的机理,提出了粉煤灰影响系数的概念,并根据试验结果得出影响系数的计算公式建立了粉煤灰-水泥体系水化动力学模型．     

面向连续变量量子密钥分发的多边型LDPC码设计与性能分析

为满足连续变量量子密钥分发(continuous-variable quantum key distribution, CV-QKD)应用场景中对高性能低密度奇偶校验(low density parity check, LDPC)码的需求,提出了针对一类具有3种边类型且部分变量节点度为1的多边型LDPC(multi-edge type LDPC, MET-LDPC)码的设计方法。通过掩模到需要的度分布的方式设计左上角矩阵;采用基于多路径外在信息度(extrinsic message degree, EMD)策略的渐进边增长(progressive edge growth, PEG)算法设计左下角矩阵;将各部分矩阵组合在一起完成MET-LDPC码的设计。仿真结果表明,采用掩模加PEG算法设计的MET-LDPC码比单独用PEG算法设计的MET-LDPC码性能更优。     

基于层次分析法的电信客户满意度的综合评价方法

客户满意度是电信运营企业管理客户、满足客户需求以及向客户提供个性化服务的先决条件.因此,如何评价客户满意度和提高客户满意度对电信运营企业就显得尤为重要.鉴于此,本文提出了基于层次分析法的电信客户满意度的综合评价方法.     

一种实物期权的新型模糊定价方法

针对实物期权定价中预期现金流收益的现值是个预测值,而采用精确值给出不太合理的问题,分析了三角模糊数或梯形模糊数给出它的区间估计值,并利用Black-Scholes公式(简称B-S公式)为之定价的方法.提出了将预期现金流收益现值的专家评估区间转化成正态模糊数并利用格贴近度构造权向量的一种新的实物期权定价方法,验证了利用正态模糊数估计现金流收益现值的合理性.最后通过实例模拟证明了该方法的有效性.     

基于GraphSage节点度重要性聚合的网络节点分类研究

传统的图嵌入算法及图神经网络模型在对网络节点分类时仅使用了节点本身的属性信息或者特征信息,很少使用节点在网络中的结构信息。如何在图神经网络聚合时引入节点网络结构信息来提升分类准确性也是一个值得深入研究的问题。因此,在GraphSage模型的基础上,根据网络中节点度及节点重要性设计了新的聚合函数并提出了GraphSage-Degree模型。首先,模型根据节点度获得节点在邻域中的重要性,然后再以重要性为依据来聚合节点的特征,使得网络中重要的节点能够尽可能的聚合更多的特征信息,并且在GraphSage-Degree中设置了一个与节点度有关的超参数D,能够通过调节该参数D使得在不同的数据集上达到最佳分类状态。在Cora、Citeseer和Pubmed 3个公开数据集上进行了测试,GraphSage-Degree与其他方法相比,macro-F1的平均提升值分别为8.72%、10.37%和8.29%,在Pubmed上有最大提升值38.84%;micro-F1的平均提升值分别为8.97%、11.16%和6.9%,在Pubmed上有最大提升值38.39%。     

论无标度网的增长和择优

增长和择优机制是无标度网络中两种重要的演化机制,已发现比较重要的择优机制有度择优和秩次择优,比较重要的增长方式有星形图增长和完全图增长.该文首先分析了秩次择优机制对网络度指数的影响,指出可以利用秩次择优来构造度指数在较大范围内变化的模型. 接下来分析了星形图增长和完全图增长的优缺点,并提出了更符合实际情况的模体增长方式,然后结合秩次择优机制和模体增长方式提出了一个新模型——模体增长秩次择优模型,该模型除了具有较宽的度指数范围外,还在度指数大于2.5时具有独立于网络规模的群集系数.