一种基于特征选择的不完整数据分类方法

特征选择（也称作属性选择）是简化数据表达形式,降低存储要求,提高分类精度和效率的重要途径。实际中遇到的大量的数据集包含着不完整数据。对于不完整数据,构造选择性分类器同样也可以降低存储要求,提高分类精度和效率。因此,对用于不完整数据的选择性分类器的研究是一项重要的研究课题。有鉴于此,提出了一种用于不完整数据的选择性贝叶斯分类器。在12个标准的不完整数据集上的实验结果表明,给出的选择性分类器不仅分类准确率显著高于非常有效地用于不完整数据的RBC分类器,而且分类性能更加稳定。     

汽车仪表板表皮专用ABS树脂粉的开发——后处理工艺条件优化

针对汽车信仪表板表皮专用ＡＢＳ树脂粉后处理工序存在的问题,对凝聚、干燥过程进行考察,确定了最佳的后处理工艺条件。     

偏分复用系统中直接解复用反馈信号建模及验证

在采用直接解复用的偏分复用(PDM)系统中,反馈信号是决定系统解复用性能的关键因素,因此反馈信号的选取与正确建模至关重要。本文详细分析了两偏振态信号光相干性对基于光功率差和射频(RF)功率两种直接解复用反馈信号的影响,完善了相关的理论模型,建立了100Gbit/s的PDM-DQPSK传输系统仿真平台,对两种反馈信号的解复用效果进行了验证。结果表明,无论两偏振态信号光的相干性如何,基于光功率差的反馈信号都适用,而RF功率反馈信号只适用于信号光相干度较大的情况;在两种反馈信号均可以使用的情况下,它们的解复用效果基本相同,引入的光功率代价均约为0.1dB。     

基于多载波的相干波分复用太比特传输实验研究

基于循环频移器(RFS)的多载波产生原理,得到了间隔为25GHz,载噪比为25dB的20个子载波的多载波输出,将波特率为16Gbaud(即64Gbit/s)的归零码十六进制正交幅度调制(RZ-16QAM)信号加载到这些子载波上,并且进行偏分复用(PDM)生成PDM-RZ-16QAM信号,实验实现了2.56Tbit/s PDM-RZ-16QAM信号792km标准单模光纤(SSMF)的传输和相干接收。实验测得的背靠背相干光波分复用(CO-WDM)系统在误码率为1×10-3的情况下,光信噪比需求比理论值(FEC)增加了4.1dB。传输后,最佳入射光功率处的误码率为4.5×10-3,小于前向纠错的软判决门限(2.4×10-2),此时对应的CO-WDM PDM-RZ-16QAM中心信道信号恢复后x和y偏振方向的星座图清晰规则,说明传输性能很好,并且系统的频谱效率达到了5.1bit/(s·Hz)。     

反应型EPDM/PP热塑性弹性体流变行为研究

借助HAAKE-RHEOCORD90流变仪分别在170℃、180℃、190℃三个温度下，研究了LH和SA材料的流变行为。研究结果表明，LH材料的熔体流变行为同SA一样，仍属于非牛顿型假塑性流体行为。同一剪切速率下，LH和SA弹性体材料的粘流活化能十分接近，说明LH和SA弹性体材料一样。其熔体粘度对温度不十分敏感。相同温度下，SA材料的挤出膨胀比高于LH．这一特性说明LH材料制品尺寸稳定性优于SA材料。     

专有名词增强的复述生成方法研究

现有的中文复述生成模型在对包含专有名词的原句生成复述句时经常丢失原句中的专有名词,造成复述句的语义偏移,降低复述句的可用性,进而影响其在下游任务中的应用效果。为了解决这类问题,提出专有名词增强的复述生成方法。针对包含单个专有名词的原句构建基于占位符的复述生成模型,通过将训练句对中的专有名词用占位符替换,训练模型对占位符的保留能力;针对包含多个专有名词的原句构建词汇约束的复述生成模型,通过将专有名词列表与原句拼接并进行区分,训练模型对多个专有名词的识别和复制能力,提高复述句对专有名词的保留率。此外,综合考虑语义一致性和表达多样性,提出参考句无关的复述句质量评价指标用来评估生成复述句的质量。以真实对话系统业务中的意图识别冷启动任务为下游任务,对比不同模型生成复述句的质量以及在意图识别任务上的准确率。实验结果表明,词汇约束的复述生成模型能够生成与原句语义一致且表达具有多样性的高质量复述语料,对应语料训练得到的意图识别模型准确率最高,相较于未考虑专有名词的复述模型,意图识别模型的准确率提高了5.38%。     

ABS树脂近期专利动态分析

从专利申请时间、专利权人、专利技术等方面分析总结了近期丙烯腈-丁二烯-苯二烯三元共聚物(ABS)树脂的专利申请情况.结果表明,国外ABS树脂生产企业申请的专利主要涉及聚合工艺、ABS合金制备、废塑料回收利用等方面,且主要集中在ABS树脂新产品的开发.     

四维空间中退化椭圆型方程组的混合边值问题

运用退化椭圆型方程理论及复方程边值问题解的存在理论证明：对于某类四维空间中退化椭圆型方程组的混合边值问题,在一定条件下其解是存在的．     

用于数据采掘的贝叶斯分类器研究

所谓分类器是一个函数f(x),它给需要分类的实例x赋予类标签c,∈C(j=1,2,…,m),实例x由一组属性值a_1,…,a_n描述,C是类变量,取有限个值,可看成有限个元素的集合。进行分类首先要构造一个分类器。从预先分类的实例进行有导师学习并建立分类器,是机器学习的中心问题之一。已有的分类器如决策树、决策表、神经网络、决策图和规则等,都可以看成不同