模糊推理的证据理论方法

1.基本证据理论 设θ是变量X的所有可能值的穷举集合,并且θ中的元素是相互排斥的,即在任一时刻X只能且必须取θ中的某一元素为值。满足这种条件的集合θ称为变量X的辨别框。θ的每一个子集A都与一个关于X取值情况的命题相对应,这个命题一般可描述为“X的值在A中”。     

汉字文献情报检索中集合逻辑提问式的处理算法

1.引言文献情报检索中,集合逻辑提问式(检索式)的处理,是检索软件系统的关键问题之一。所谓集合逻辑提问式,是以检索词(主题词)、检索式号和逻辑运算符构成的一种逻辑运算式,表达的是集合逻辑运算之结果。因此,集合逻辑提问式的检索结果(答案)是     

一个在Horn子句中求解极大缩减的算法

在信念修正理论中,一个核心问题是求解一个公式集合关于事实集合的所有极大协调子集,即极大缩减.本文尝试从算法的角度来解决这一问题,研究在Horn子句中求解所有极大缩减的算法.首先,本文指出并证明了公式集合和事实集合并集的极小不协调子集与公式集合关于事实集合的极大缩减之间的转化关系.其次,给出并证明了Horn子句集合极小不协调的一个必要条件.然后,基于上述两个结论,本文提出了一个在Horn子句中枚举公式集合和事实集合并集的极小不协调子集的交互式算法和一个通过这些极小不协调子集计算所有极大缩减的算法.最后,综合这两个算法,提出了一个在Horn子句中求解所有极大缩减的交互式算法.     

认识Yahoo

Yahoo!由美国Internet Systems Inc.等多家共同资助,并得到无数企业和个人的无私奉献.Yahoo目前已收集有Internet中数十万个环球网资源服务器的地址,并提供按主题词检索和按专题检索两种检索方式.使用Yahoo非常简单,首先,利用环球网阅读器联上如下地址:http∥www.yahoo.com,yahoo!服务器即送过来它的主页(HomePage).如果您要按主题词检索,请在主页中的Search(检索)窗口中输入主题词,再按动Search按钮,一两分钟后,所有与该主题词相关的环球网服务器的名称、地址和简介将出现在您的屏幕上.我曾以“China”作为主题词进行检索,结果一共找到了160多个与“China”相关的服务器.Yahoo!的主题词检索还支持布尔逻辑,例如,您可以在Search窗口中输入多个主题词,并设定这些主题词之间的关系是“与”(“and”)关系还是“或”(“or”)关系,是代表一个子串还是代表整个单词等等.这些功能大大增加了检索的灵活性.     

逆P-推理与未知信息推理-搜索与发现

逆P-集合(inverse packet sets)是改进P-集合(packet sets)得到的一个新的数学结构,它是由内逆P-集合X珡F(internal inverse packet setX珡F)与外逆P-集合X珡F珚(outer inverse packet setX珡F珚)构成的集合对;或者(X珡F,X珡F珚)是逆P-集合。逆P-集合具有动态特性,逆P-集合的动态特性与另一类信息系统的动态特性相同。P-集合是把动态特性引入到有限普通集合X内,改进有限普通集合X得到的。P-集合具有动态特性,P-集合的动态特性与一类信息系统的动态特性相同。P-集合在一类信息系统中获得了多个应用。P-推理(packet reasoning)是P-集合生成的一个具有动态特性的推理。利用逆P-集合(inverse packet sets)与逆P-推理(inverse packet reasoning)给出逆P-推理与内-外搜索定理、逆P-推理的几何特征,以及逆P-推理与未知信息搜索-辨识的多个基本理论结果与应用。逆P-集合与逆P-推理具有好的应用前景。     

一类基于信息熵的多标签特征选择算法

在多标签分类问题中,特征选择是提升多标签分类器性能的一种重要手段.针对目前多标签特征选择算法计算复杂度大和无法给出一个合理的特征子集的问题,提出了一种基于信息熵的多标签特征选择算法.该算法假设特征之间相互独立,使用特征与标签集合之间的信息增益来衡量特征与标签集合之间的重要程度,并据此提出一种信息增益阈值选择方法.首先计算每一个特征与标签集合之间的信息增益,然后使用信息增益阈值选择算法得到一个合理的阈值,最后根据阈值删除不相关的特征,得到一组合理的特征子集.在2个不同分类器和4个多标签数据集上的实验结果表明:特征选择算法能够有效地提升多标签分类器的分类性能.     

解答划分问题的新拟多项式时间算法

利用一种称为平衡技术的新方法解答划分问题。证明若划分问题存在满足条件的子集,则该子集一定是平衡集,仅对平衡集进行枚举即可解答划分问题。若划分问题给定集合中每个元素的长度都被一个常数M所界定,结合动态规划技术且仅考虑平衡集,解答划分问题的时间复杂度为O(nM),此算法在时间效率上对现有算法有较大改进。     

基于主题词对的文档重排方法

信息检索中相关文档的排序一直是一个至关重要的问题。本文提出一种基于主题词对的文档重排方法,使得检索结果在保持召回率的前提下提高精确率。主题词对意指能够共同表征同一主题的两个词语,其中一个来自于查询,另一个来自于文档,两者之间具有紧密的联系。本文中,主题词对的选择采用概率潜在语义索引的方法,并根据主题词对在文档中的分布状况对其进行重排。对NTCIR-5中文信息检索的文档集合进行测试,采用trec标准评估方法,结果表明采用该方法使得精确率在rigid和relax结果集上分别提高了53.6% 和55.8%。     

汉语主题词典的存贮结构与查找方法

一、引言汉语主题词典是汉语文献情报检索中用以标识文献情报内容的概念(主题词)进行检索的工具。它的结构(特别是存贮结构)与查找方法直接关系到检索效率,是文献情报检索中的一个重要课题。     

一种改进的页面相似性度量方法

Web 信息检索是指从大量Web 文档集合中找到与给定的查询请求相关的、恰当数目的文档子集。为了更准确地找到相似文档,借助于两个页面的单词覆盖程度,提出一种改进的Web 页面检索度量方法,并在KNN分类实验中得到验证。     

一种开采频繁项目集集合的快速算法

在大的数据集合中,开采其中的频繁项目集集合是数据挖掘中极具挑战的重要任务。已经有很多高效的算法被总结了出来。本文提出了一种思想,即开采频繁项目集集合的一 个子集,我们称之为频繁无析取规则集集合,而并非开采完全的频繁项目集集合。我们证明能借助它不读取数据库而还原出频繁项目集集合的全集和它们的支持度。本文还提 提出了一个开采无析取规则集集合的算法HOPE-Ⅱ,实验结果显示了其高效性。我们将它与另一种称为频繁封闭集的精简集进行对比,几乎所有的实验结果都显示使用无析取规则集集合比使用封闭集集合来开采频繁项目集集合更有效。     

风险投资亏损的P-推理发现与应用

P-集合(packet sets)是一个具有动态特征的、新的数学结构与数学模型;P-集合是由内P-集合X(internal packet set X)与外P-集合XF(outer packet set XF)构成的集合对;或者(X,XF)是P-集合。P-集合是把动态特性引入有限普通集合X(Cantor set X)内,改进有限普通集合X得到的。P-推理(packet reasoning)是由内P-推理(internal packet reasoning)与外P-推理(outer packet reasoning)共同构成的。利用P-集合、P -推理,研究风险投资亏损发现。给出规律、内P-规律、外P-规律、P-规律及其生成;给出规律属性定理、内P-规律、外P-规律的P-推理发现;介绍内P-推理在风险投资亏损估计中的应用。     

免疫规划＋K均值混合聚类算法

1.引言聚类分析(Clustering Analysis)是一种无监督的模式识别方法。聚类产生的每一组数据称为一个簇,簇中的每一数据称为一个对象。聚类的目的是使同一簇中对象的特性尽可能地相似,而不同簇对象间的特性差异尽可能地大。聚类的任务是把一个未标记的模式按某种准则划分成若干子集,要求相似的样本尽量归为同一类,而不相似的样本归为不同的类,故又称无监督分类。目前,各种聚类方法已广泛应用于数据挖     

基于期限的多请求数据检索问题研究

给定一个包含多条信道的集合以及一个包含多个请求的集合,其中每一个请求包含多个请求数据项并且希望在一定期限内下载到,基于期限的多请求数据检索问题指当客户配有多条天线时寻找一个在期限内下载多个请求的数据检索序列,使得所有天线的最大访问延迟最小化。大多数现有数据检索方法关注于单个请求或者单条天线,很少研究当客户配有多条天线时多请求的数据检索问题,尤其是每一个请求的检索有时间约束。基于此,本文提出一种多请求的数据检索算法,以调度合适地天线检索这些请求并找到关于这些请求的检索序列,从而平衡在各天线上的访问延迟。针对单请求的数据检索,本文采用最大团思想寻找下载该请求中所有请求数据项的访问模式,使得检索该请求的访问延迟以及期限丢失率最小化。     

信息的P-依赖与信息P-依赖挖掘-筛选

P-集合(packet sets)是一个新的动态模型,它是由内P-集合XF－( internal packet set XF－)与外P-集合XF(outer packet set XF)构成的集合对,即(XF－,XF)是P-集合。P-集合把动态特性引入到有限普通集合X(cantor set X)内,改进了有限普通集合X。文中通过利用P-集合与它的动态特性,给出信息P-依赖(packet dependence)与P-依赖结构,给出信息P-依赖的属性特征,进而给出信息P-依赖挖掘与挖掘定理,以及P-依赖挖掘准则与信息P-依赖挖掘-筛选原理;最后根据这些研究结果给出应用。     

基于内积加密的支持多关键字检索的公钥加密方案

支持多关键字检索的公钥加密(PEMKS)是支持关键字检索的公钥加密(PEKS)的扩展,能够支持接收者对嵌入密文中的所有关键字的子集进行检索。针对公钥加密中的多关键字检索以及密文长度问题,利用内积加密方案构造一个支持多关键字检索的公钥加密方案并给出安全性分析。     

P-集合，逆P-集合与信息智能融合-过滤辨识

P-集合(Packet sets)是把动态特性引入到有限普通集合X内,改进有限普通集合X得到的.P-集合是由内P-集合XF(internal packet setXF)与外P-集合XF (outer packet set X,)构成的集合对;或者,(XF,XF)是P-集合.P-集合具有动态性,在一定条件下,P-集合被还原成有限普通集合X.P-集合是一类动态信息系统的数学表示.逆P-集合(inverse packet sets)是由P-集合得到的,具有动态特性,具有与P-集合相反的数学结构.逆P-集合是由内逆P-集合(X)F (internal inverse packet set XF)与外逆P-集合(X)F(outer inverse packet set (X)F)构成的集合对;或者,((X)F,(X)F)是逆P-集合.在一定条件下,逆P-集合被还原成有限普通集合X.逆P-集合是另一类动态信息系统的数学表示.P-推理(packet reasoning)是由P-集合生成的动态推理,逆P-推理(inverse packet reasoning)是由逆P-集合生成的动态推理.把P-集合、逆P-集合、P-推理、逆P-推理与信息融合交叉、渗透,给出信息智能融合-过滤辨识理论与应用研究.同时给出P-集合与逆P-集合的结构、P-集合与逆P-集合的分离、P-集合与逆P-集合的等价类特征、P-信息融合与逆P-信息融合、P-信息融合与逆P-信息融合的推理发现、P-信息融合与逆P-信息融合度量、P-信息融合与逆P-信息融合的过滤-辨识,以及信息智能融合-过滤辨识的应用.P-集合与逆P-集合是研究信息融合理论与应用的一个新理论、新方法.     

结合SVM和KNN实现求解大规模复杂问题的分治算法

针对于使用支持向量机求解大规模复杂问题存在训练时间过长和分类精度不高等困难,本文提出了一种结合支持向量机(SvM)和K-最近邻(KNN)分类的分治算法.首先对支持向量机分类机理进行分析可以得出它作为分类器实际相当于每类只选一个代表点的最近邻分类器.在此基础上,根据分治算法的基本思想将训练集划分为多个训练子集,用每个子集单独训练一个SVM,这样每个训练子集由训练后的SVM可以分别得到正例和反例的一个代表点,由这些代表点的全体构成了整个训练集的正例和反例代表点的集合,然后在这个代表点集合基础上使用KNN分类器最为整个问题的解.实验结果表明该分治算法对于大规模数据可使训练时间大幅度下降且使分类精度不同程度提高.     

内P-推理信息恢复与属性潜藏推理发现

P-集合(packet sets)是把动态特性引入到有限普通集合X内,改进有限普通集合X得到的一个动态模型;在一定的条件下,P-集合被还原成有限普通集合X。P-集合由内P-集合X (internal packet set X)与外P-集合XF (outerpacket set XF)构成的集合对;或者,(X,XF)是P-集合。P-推理(packet reasoning)由内P-推理(internal packet reasoning)与外P-推理(outer packet reasoning)共同构成。利用内P-集合与内P-推理,给出了内P-信息恢复概念与内P-信息恢复特征、内P-信息恢复的内P-推理生成与它的属性潜藏、内P-信息恢复的信息元补充定理、内P-信息恢复的依赖性定理,以及内P-推理信息恢复的属性潜藏定理与属性潜藏发现定理。利用这些理论结果,给出内P-推理信息恢复在信息系统中的应用。     

结合SIFT特征和神经网络池的物体分类方法

为了提高物体分类性能,提出了一种神经网络池特征分类方法,并结合SIFT特征实现物体的可靠分类。该方法首先提取样本的SIFT特征向量,并从特征向量集合中随机选取样本子集;然后采用径向基神经网络为每一个样本子集构建基元分类器;接着通过重复迭代方式得到许多基元分类器集合,再结合增强技术组建神经网络池;最后采用朴素贝叶斯模型对神经网络池中的各个基元分类器集合的分类结果进行融合,预测特征的最终分类结果。实验结果表明,新方法的运算效率高,对VOC-2007数据集的分类正确率高。