统计等效多项式非线性系统识别

在平稳激振下的一个非线振动系统，若其响应也是平衡随机过程，该系统可统计等效为一多项多非线性系统，本文介绍统计等效三次多项式的参数估计，系统的多维频率响应应函数以及多项式非线性系统响应的谱分析及谱分析。     

PP K-MEAN CLUSTERING

In this paper, we propose a dimension-reducing, K-mean clustering procedureby Projection Pursuit (PP) technique so as to explore the clustering structure of data inhigh-dimensional space in terms of low-dimensional projective points of data, and we obtainthe a.s. consistence of the estimates of the cluster centers and projection orientations.     

商业市场信息随机预测模型的研究和计算机实现

本文针对商业市场信息的特点，选用了随机预测模型ＡＲＩＭＡ的基本模式；深入研究ＡＲＩＭＡ模型建立的全过程，开拓性地采用了功率谱估计方法，确定市场预测模型的阶数ｐ和ｑ；利用多种高级语言的混编程序技术，在微机上完全实现了商业市场信息预测系统；运行结果表明；该模型及其实现系统是可行的。     

煤与瓦斯突出预报的模糊聚类关联分析法

首先采用模糊聚类分析对煤与瓦斯突出的样本集合进行分类，建立不同突出程度的模糊模式。然后用关联分析确定待预报样本与模式的关联程度，以此预测预报样本的煤与瓦斯突出危险程度。这种预报方法相对于模糊聚类分类后，将模式与待预报样本组成新的样本集合，再进行聚类分析，以此分类结果进行预报法。不仅可靠程度高，而且能定量描述待报样本与模式的亲和程度。     

基于自适应共轭梯度算法的高分辨率谱估计器

基于AR模型的功率谱估计是现代谱估计应用非常广泛的一种方法。通过对一全极点模型的参数估计来实现功率谱估计。提出了一种采用自适应共轭梯度算法来进行参数估计的方法。由于共轭梯度算法采用迭代运算求解Yule-Walker方程,同现有的谱估计算法相比,大大减小了谱估计算法的计算复杂度;随着自相关矩阵阶数的增大,该方法谱估计精度在小信噪比下提高显著。仿真结果表明,这种方法和基于AR模型的其它谱估计方法在不同信噪比下具有几乎相同的分辨率。因此,该谱估计算法具有重要的实用意义,有助于谱估计算法的实时实现。     

Comments on “aggregation of equivalence relations” by P. C. Fishburn and A. Rubinstein

The theorem of the paper Aggregation of Equivalence Relations, by Fishburn and Rubinstein, states a result already known. This theorem improves a result from Mirkin (1975) and appears as a corollary occurring in Leclerc (1984).

---

Resume L'unique théorème de l'article Aggregation of Equivalence Relations de Fishburn et Rubinstein est déja connu. Il améliore, en fait, un résultat de Mirkin (1975) et apparait en tant que corollaire dans Leclerc (1984).

     

土茯苓种苗质量分级标准研究

探究土茯苓(Smilax glabra)种苗质量分级标准,为土茯苓人工种植规范化发展奠定基础。本研究随机选取50株土茯苓种苗进行调查,首先应用相关分析确定苗木分级指标,然后通过逐步聚类分析法修正分级,最终计算出土茯苓种苗的苗木分级标准。结果表明,根数和球茎数为土茯苓种苗的质量分级指标。土茯苓种苗分级标准为Ⅰ级种苗：根数≥37.4,球茎数≥6.8;Ⅱ级种苗：28.3≤根数<37.4,4.2≤球茎数<6.8;Ⅲ级种苗：根数<28.3或球茎数<4.2。所抽取的土茯苓样苗中,Ⅰ、Ⅱ级种苗(合格苗)分别占34%和20%,Ⅲ级种苗(不合格苗)占46%。本研究通过逐步聚类分析法制定的土茯苓种苗质量分级标准结果可靠,说明此方法可行,能为土茯苓人工种植繁育研究以及生产优质的土茯苓种苗提供理论资料。     

基于三支决策的密度敏感谱聚类

将三支决策与密度敏感谱聚类结合,提出了一种基于三支决策的密度敏感谱聚类算法。该算法通过在密度敏感谱聚类的聚类过程引入容差参数得到每个类的上界,然后通过扰动分析算法从上界中分离出核心域,上界和核心域的差值被认定为该类的边界域。聚类结果用核心域和边界域来表示每个类簇,可以更全面地展示数据的结构信息。与传统的硬聚类算法在UCI数据集的实验结果相比较,本文使用核心域计算聚类的评价指标DBI、AS和ACC都有所提升,较好地解决了不确定性对象的聚类问题。     

图的一种加权邻接矩阵谱半径和能量的界

图G的一种加权邻接矩阵记为A_db(G)=(a^db_ij)_n×n,若顶点v_i和顶点v_j相邻,则$a_{i j}^{d b}=\frac{d_{i}+d_{j}}{d_{i} d_{j}}$, 反之a^db_ij=0.给出图G的加权谱半径的上下界,并在此基础上给出加权谱半径的Nordhaus-Gaddum-type关系.得到了图G的加权能量的几个上下界,并在此基础上给出加权能量的Nordhaus-Gaddum-type关系.     

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。