GM(1,1)残差修正的季节性神经网络预测模型及其应用

季节性时间序列具有增长性和波动性的二重趋势。灰色模型GM(1,1)能反映时间序列的总体变化趋势,但不能很好反映其季节性波动变化的具体特征,在模拟与预测季节性时间序列中有明显的局限性。文中介绍了季节性神经网络建立的残差修正模型。通过季节性神经网络模型对GM(1,1)的残差序列进行分析,提取其中的非线性成分作为预测时的补偿项,以进行残差修正,从而形成GMSANN叠合预测模型。实例表明,所建模型具有较好的适应性和预测精度。     

决策表分解及其最小属性约简研究

现有的很多属性约简算法都是由构造决策表的差别矩阵出发,将矩阵中非空元素的合取范式转化为极小析取范式。为提高对大规模数据的决策表进行约简的效率,文中指出基于U/{a}划分的最小约简算法存在的缺陷,给出以划分粒度为启发式信息,利用单个条件属性把论域划分成多个等价类,将计算整个全域上的属性约简问题转化为计算在相应划分的子区域上属性约简问题,提出了一种基于决策表分解的最小属性约简算法。理论分析和实例表明该约简算法是有效的。     

基于对称不确定性和邻域粗糙集的肿瘤分类信息基因选择

基因表达谱中信息基因选择是有效建立肿瘤分类模型的关键问题。肿瘤基因表达谱具有高维小样本、噪声大且存在大量无关和冗余基因等特点。为了获得基因数量尽可能少而分类能力尽可能强的一组信息基因,提出一种基于对称不确定性和邻域粗糙集的肿瘤分类信息基因选择SUNRS方法。首先利用对称不确定性指标评估信息基因的重要度,以剔除大量无关和冗余基因,获取信息基因的候选子集;然后利用邻域粗糙集约简算法对信息基因候选子集进行寻优,获得信息基因的目标子集。实验结果表明,SUNRS方法能够用较少的信息基因获得更高的分类精度,从而既能改善算法的泛化性能,又能提高时间效率。     

水平划分多决策表下基于相对粒度的隐私保护属性约简算法*

为了解决分布式环境中多个参与方在不共享各自隐私数据的情况下完成全局属性约简计算的问题,提出了一种水平划分多决策表下基于相对粒度的隐私保护属性约简算法。该算法基于相对粒度约简理论实现了分布式环境下全局属性约简的求解,利用半可信第三方与安全多方基础协议,设计了安全多方计算相对粒度协议,使各参与方在不共享其隐私信息的前提下达到集中式属性约简的效果。分析结果表明,该算法是有效可行的。     

BP神经网络在医院多因素时间序列预测中的应用

利用三层BP神经网络对非线性系统的函数所具有的以任意精度逼近的良好特性 ,突破传统上基于统计学方法进行预测的限制 ,设计了一种体现时序的多因素动态时间序列神经网络预测模型 ,并将模型运用于某医院年收治病人数的预报。通过仿真实验结果表明 ,应用BP网络预测方法不仅可行 ,而且有更好的预测精度。     

基于粗糙集自适应粒度的MR脑肿瘤图像分割

针对磁共振（MR）成像具有灰度不均匀、部分容积效应等缺陷,给出一种粗糙集自适应粒度的脑肿瘤MR图像分割方法,从而提高脑肿瘤分割质量。利用粗糙集自适应粒度方法选取最优分割粒度,并用粗糙集模拟目标和背景区域的上下近似,通过优化目标和背景区域的粗糙度,获得MR脑肿瘤图像分割的最佳阈值。粗糙集自适应粒度方法能够较好地提取出脑肿瘤区域。实验结果表明,该方法优于传统粗糙集分割法,且具有一定实用性和灵活性。     

基于HIS的医院数据仓库设计与实现

随着数字化医院建设的发展,医院信息系统得到了广泛应用.如何对医院信息系统产生海量数据进行科学的分析处理以便为决策者提供决策支持已经成为医疗领域面临的新课题.对医疗领域的数据仓库和联机分析处理的部分设计开发过程和关键技术进行了研究,提出采用需求驱动和数据驱动相结合的设计方法,对医院信息系统中数据进行提取、建模,并建立多维数据集.最后,设计并实现了一个医院数据仓库实例.     

联合选择特征和分类器参数模型的模拟电路故障诊断

为了提高模拟电路故障诊断准确率,提出一种联合选择特征选和分类器参数模型的模拟电路故障诊断方法（Feature-Classifier）。将模拟电路故障特征子集和分类器参数编码成为粒子,然后粒子根据目标函数通过信息交流和互相协作找到最优特征子集和分类器参数,并根据最优特征子集对样本进行约简;分类器根据最优参数对约简后样本进行训练建立模拟电路故障诊断模型,并通过仿真实例对性能进行测试。结果表明,相对于其他模拟电路故障诊断方法,Feature-Classifier能够较快找到最优特征子集与分类器参数,不仅提高了模拟电路故障诊断准确率,并加快了故障诊断速度。     

基于DWT和Tucker分解的超光谱图像压缩技术研究

由于超光谱图像（HSI）的大数据量,HSI压缩技术的研究近年来越来越受到关注。鉴于此,提出了一种基于离散小波变换（DWT）和Tucker分解的HSI压缩方法。充分利用HSI频域和空域的信息,对HSI频带的小波变换系数进行Tucker分解,先利用小波变换将HSI分解为不同的子图像,然后利用Tucker分解实现子图像的压缩;最后用实际的HSI对算法的有效性进行评估。与其他算法的比较结果表明该算法具有更好的性能;实验还显示了压缩HSI在监督分类方法中的作用。