Groebner基在分次代数中的应用

运用Groebner基理论，给出了K－代数A在阶滤子下和两个分次代数gr^c(A)与A的算法关系。     

FMP和FMT的三I解及其性质

利用函数观点，进一步研究模糊推理的三Ⅰ方法，提出FMP和FMT的三Ⅰ解概念，并给出其存在的必要的和充分的条件；对一些常见的蕴涵算子，得出了关于FMP和FMT的三Ⅰ解及其满足还原性的条件，最后给出由左连续t-范数所生成的R-蕴涵关于FMP和FMT三Ⅰ解的性质。     

基于泛逻辑学的模糊推理规则

本文首次提出了基于泛逻辑学的模糊推理，给出一般FMP推理、模糊务件语句推理以及多段模糊推理的泛逻辑学推理规则。     

基于L2,1-范数距离的约束相似矩阵的聚类算法

为学得更好的相似矩阵,提出一种基于L2,1-范数距离相似度矩阵的学习方法,给出相应的聚类算法(CSCA).利用L2,1-范数距离计算出相似度矩阵,对相似度矩阵施加平方的约束;通过约束相似度矩阵所构建的拉普拉斯矩阵,求出对应的特征向量空间;利用学得的相似度矩阵中的连通分量直接得到聚类结果.实验结果表明,该算法在人工数据集和真实数据集上的聚类结果大多优于其它聚类算法,验证了所提聚类算法的有效性.     

Frank三角范数的一类模糊逻辑系统的真度理论

在一类基于Frank三角范数的模糊逻辑系统中,借助逻辑公式A所诱导的函数引入逻辑公式A的积分真度概念,并利用积分真度定义公式间的相似度和伪距离,讨论相似度和伪距离性质。     

基于判别度的实值决策系统的属性约简

研究实值决策系统中的知识获取是粒计算研究的主要方向之一。为给出一种高效的知识获取方法,基于邻域粗糙集的原理,针对实值特点,在相容的实值决策系统中,给出判别度描述下的约简定义。进一步提出一种基于判别度的属性约简的启发式算法,同时对算法的性质进行了分析,通过实例验证了算法的有效性。     

最大熵和l2,0范数约束的无监督特征选择算法

无监督特征选择可以降低数据维数,提高算法的学习性能,是机器学习和模式识别等领域中的重要研究课题。和大多数在目标函数中引入稀疏正则化解决松弛问题的方法不同,提出了一种基于最大熵和l2,0范数约束的无监督特征选择算法。使用具有唯一确定含义的l2,0范数等式约束,即选择特征的数量,不涉及正则化参数的选取,避免调整参数。结合谱分析探索数据的局部几何结构并基于最大熵原理自适应的构造相似矩阵。通过增广拉格朗日函数法,设计了一种交替迭代优化算法对模型求解。在四个真实数据集上与其他几种无监督特征选择算法的对比实验,验证了所提算法的有效性。     

基于共享k-近邻与共享逆近邻的密度峰聚类

为了更好地解决密度不均衡问题与刻画高维数据相似性度量问题，提出一种基于共享[k]-近邻与共享逆近邻的密度峰聚类算法。该算法计算两个点的共享[k]-近邻数与共享逆近邻数，并结合欧氏距离来确定这两个点之间的共享相似度；将样本点与其逆近邻点的共享相似度之和定义为该点的共享密度，再通过共享密度选取聚类中心。通过实验证明，该算法在人工数据集和真实数据集上的聚类结果较其他密度聚类算法更加准确，并且能更好地处理密度不均衡问题，同时也提高了高维数据的聚类精度。     

多项式环上分次模的重数计算

给出了计算多项式环K[x0 ,x1,… ,xn]上的分次模M =K[x0 ,x1,… ,xn]/I的重数计算的简单估计式 .该式不需要求出I的投射Hilbert多项式 ,而由I的Groebner基直接得出分次模的重数估计式 .