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。     

多值依赖无分裂覆盖问题的研究

基于函数依赖规范化理论及多值依赖基本概念，给出了多值依赖的分裂、无分裂多值依赖集等定义，提出了满足无分裂多值依赖集的良好特性，以及无分裂多值依赖集的判定算法，并且提出分裂多值依赖集存在无分裂覆盖满足的条件及其算法．这对于多值依赖集化简、规范化设计和无环数据库设计提供了理论基础．     

基于封闭项目关联规则集压缩方法

 关联规则挖掘能使我们发现数据库中大量项目与项目之间的相关关系,但是用传统关联规则生成方法所生成的规则一是数量庞大,二是其中包含许多具有相同意义的规则,这必然对用户理解和提取信息带来干扰.通过求封闭项目集大大消减了频繁项目集数量,再由封闭项目集构造一种新的存储机制——-近似格,基于近似格可以得到冗余度较小的关联规则,从而提供用户简洁紧凑又无信息丢失的关联规则集.     

关于QF环的一个新刻画

忠实平衡自正交双模是模类里的一种重要的研究对象．它广泛运用于倾斜模和余倾斜模理论及CM—环理论中．本文首先给出Noether环中Strong Nakayama Conjecture成立的一个条件．通过忠实平衡自正交双模的右极小内射分解给出了左Noether环模类的一个上生成子．最后用忠实平衡自正交双模的性质给出了QF环的一个新的刻画。     

基于可信度的节点选择算法

为了解决提高检测概率与减少网络开销间的矛盾,基于数据优化融合理论,提出了基于可信度的能量融合协同感知算法（EFCS算法）及节点选择算法。通过自适应迭代算法估计出各认知用户的感知可信度,并推导出了算法检测性能与协同用户数及感知可信度间的确定关系。算法能够在达到检测性能指标的前提下,尽可能多地删除冗余协同感知用户。仿真证明,节点选择算法在保证较高的检测概率的同时极大的节省了网络开销。     

连续迭代投影多任务优先级方法

针对任务优先级层次中进行任务插入和移除过程中引起的关节速度不连续现象,基于连续迭代投影原理,提出连续迭代投影多任务优先级方法。并基于李雅普诺夫稳定性理论,当迭代次数趋于无穷大时,证明了所提出方法的稳定性。以避障任务为首要任务,轨迹跟踪任务为次要任务,仿真分析了连续迭代投影多任务优先级方法的性能,并与传统增广投影多任务优先级方法进行对比。结果表明,在靠近障碍物时,避障任务插入优先级层次中,连续迭代投影多任务优先级方法能够保证关节速度的连续性,并在冗余度范围内尽可能地执行末端轨迹跟踪任务,保证跟踪误差的收敛性。     

计算网络K-终端可靠性的一种K-树拆法

给出了计算网络K-终端可靠性的一种K-树拆法,用这种方法,计算复杂网络K-终端可靠性时,不用求出全部K-树,从而有效地提高了计算速度。此方法也适用于有向网络。     

蛋白质的二级结构序列和结构型

从蛋白质的二级结构序列出发 ,提出了冗余的概念 ,定义了冗余数量和冗余长度 ,给出了不同结构型蛋白的冗余数量和长度的分布特性 .统计结果表明 α类蛋白中 30 %、β类蛋白中84 %、α/β类蛋白中 95 %的序列不同程度的存在冗余 ,冗余数量和冗余长度主要分布在 1～ 3的范围 .以主二级结构序列三联体为参数 ,利用信息聚类方法对 α类、β类、α/ β类、α β类的6 0 0个蛋白进行了聚类 ,结果表明 ,对冗余较少的α类蛋白 85 %以上能够较好地聚类在一枝中 ,但对于冗余较多的其它类蛋白不能分在一个大支中 ,大部分可以分散在多个小支中 .以主二级结构序列三联体为参数 ,利用 Mahalanobis距离方法对上述四种结构型进行预测 ,预测的总体准确率为 81 .1 % .聚类结果和利用 Mahalanobis距离分类结果充分展示了蛋白质二级结构序列对结构型的特殊作用 ,但由于冗余的影响使得二级结构序列的信息并未充分显示出来 .说明从蛋白质二级结构序列出发预测结构型和构建蛋白质框架结构是合理的选择     

探讨利用速度瞬心法鉴别平面机构的虚约束

提出一种根据平面机构的构件和速度瞬心构造的图,利用这种图直观地对所求瞬心的唯一性进行判定,从而鉴别是否有可能出现虚约束;也可先将这种图转换为对应的邻接矩阵X,再利用该矩阵X的自乘幂X2进行判定。     

基于压缩感知的脉冲星轮廓构建算法

利用有限的观测时间获得高精度的累积脉冲轮廓,对于X射线脉冲星导航具有重要意义.提出一种基于压缩感知的脉冲星累积脉冲轮廓重构算法.首先,研究脉冲轮廓,获取先验知识,在此基础上构建波形匹配冗余词典,得到脉冲轮廓的稀疏表示;然后,设计观测矩阵,利用原始观测数据得到具有较少点数的非自适应随机测量值;最后,采用匹配追踪方法从随机测量值中恢复脉冲轮廓.利用罗希X射线探测器的实测脉冲星数据进行实验,结果表明：利用相同时段的观测数据,该算法得到的累积脉冲轮廓的信噪比远高于周期叠加方法得到的累积脉冲轮廓.