基于低秩约束的熵加权多视角模糊聚类算法EI北大核心CSCD

如何有效挖掘多视角数据内部的一致性以及差异性是构建多视角模糊聚类算法的两个重要问题.本文在Co-FKM算法框架上,提出了基于低秩约束的熵加权多视角模糊聚类算法(Entropy-weighting multi-view fuzzy C-means with low rank constraint,LR-MVEWFCM).一方面,从视角之间的一致性出发,引入核范数对多个视角之间的模糊隶属度矩阵进行低秩约束;另一方面,基于香农熵理论引入视角权重自适应调整策略,使算法根据各视角的重要程度来处理视角间的差异性.本文使用交替方向乘子法(Alternating direction method of multipliers,ADMM)进行目标函数的优化.最后,人工模拟数据集和UCI(University of California Irvine)数据集上进行的实验结果验证了该方法的有效性.     

形式化B方法到UML类图的转化研究及应用

形式化B方法是建立在严格数学基础上的软件开发方法,它用抽象机器符号来描述软件的规格说明;UML是面向对象的建模技术。文章提出一种将B的实现转换成UML类图的机制,从而以期实现B方法到面向对象编程的无缝连接,并结合免疫系统给出了应用实例。     

软件需求获取形式化的案例研究

软件需求获取是软件建模和分析的基础,传统的软件需求建模方法主要有2个重大的缺陷:一是非形式化的需求描述常导致需求的歧叉性和不一致性,因而难以确认和验证;二是易变性.针对此问题,结合实例提出用UML(Unified Modeling Language)的用例驱动获取软件需求,并将得来的需求用形式化B方法的机器来表示需求,实现了软件需求的形式化.实践证明,用例驱动的软件需求获取可以有效地获取正确、合理的软件需求,加上用形式化B方法的需求描述,可以有效地避免上述两大缺陷.     

基于训练空间重构的多模块TSK模糊系统

利用重构训练样本空间的手段,提出一种多训练模块Takagi-Sugeno-Kang （TSK）模糊分类器H-TSK-FS.它具有良好的分类性能和较高的可解释性,可以解决现有层次模糊分类器中间层输出和模糊规则难以解释的难题.为了实现良好的分类性能,H-TSK-FS由多个优化零阶TSK模糊分类器组成.这些零阶TSK模糊分类器内部采用一种巧妙的训练方式.原始训练样本、上一层训练样本中的部分样本点以及所有已训练层中最逼近真实值的部分决策信息均被投影到当前层训练模块中,并构成其输入空间.通过这种训练方式,前层的训练结果对后层的训练起到引导和控制作用.这种随机选取样本点、在一定范围内随机选取训练特征的手段可以打开原始输入空间的流形结构,保证较好或相当的分类性能.另外,该研究主要针对少量样本点且训练特征数不是很大的数据集.在设计每个训练模块时采用极限学习机获取模糊规则后件参数.对于每个中间训练层,采用短规则表达知识.每条模糊规则则通过约束方式确定不固定的输入特征以及高斯隶属函数,目的是保证所选输入特征具有高可解释性.真实数据集和应用案例实验结果表明,H-TSK-FS具有良好的分类性能和高可解释性.     

一种面向中小规模数据集的模糊分类方法

虽然Takagi-Sugeno-Kang （TSK）模糊分类器在一些重要场合已经取得了广泛应用,但如何提高其分类性能和增强其可解释性,仍然是目前的研究热点.提出一种随机划分与组合特征且规则具有高可解释性的深度TSK模糊分类器（RCC-DTSK-C）,但和其他分类器构造不同的是：（1） RCC-DTSK-C由很多基训练单元构成,这些基训练单元可以被独立训练;（2）每一个基训练单元的隐含层通过模糊规则的可解释性来表达,而这些模糊规则又是通过随机划分、随机组合来进行特征选择的;（3）基于栈式结构理论,源数据集作为相同的输入空间被映射到每一个独立的基训练单元中,这样就有效地保证了源数据的所有特征在每一个独立的训练单元中都得以保留.实验结果表明,RCC-DTSK-C具有良好的分类性能和可解释性.     

卓越工程人才培养模式下的计算机通识类教学的研究与探索

为提高学生岗位适应能力,应用型本科院校必须重视在校期间对学生综合能力的培养.通过本研究的实施,可以实现:(1)帮助促进学生个体的全面发展,该模式完全符合"一切以学生为中心"的创新教学改革理念,更注重学生个体差异,实施个体差别化教学,让学生得到个性化发展.事实上,这一创新理念将知识搬到课前,而在课堂上则有大量的时间帮助学生巩固、强化甚至提升,实现个体全面发展.(2)为其他院校相关研究提供理论和实践参考.