基于猜测概率和失误概率的学习诊断模型

受测者在测试过程中存在猜测和失误的可能,然而现有的诊断模型并未考虑这两个因素,因此无法在这种情况下对受测者的知识状态进行有效诊断。本文提出了一种知识空间理论中基于猜测概率和失误概率的学习诊断模型,当受测者出现猜测或失误时,该模型仍可对受测者的知识状态进行有效的诊断。模型依据试题的猜测概率和失误概率对答题状态进行转移,以诊断受测者的真实知识状态,并重点分析了这两种概率的计算方法。该模型在实用性、诊断的准确性等方面具有较好的效果。     

Ehrenfeucht-Fraïssé games in finite set theory

In this article, with Ehrenfeucht-Fraïssé games we prove that Δ₁≠Δ₀ on BFR, which implies Δ≠Δ₀ on BFR, and thus solve an open problem raised by Albert Atserias in his dissertation (Δ₀,Δ₁,Δ are fragments of first order logic and BFR is a class of finite sets which in essence is equivalent to a class of finite pure arithmetic structures with built-in BIT predicate).     

模糊综合评判理论在研究性学习系统中的研究及应用

介绍了工程数学中的模糊综合评判理论以及相应树型向量推理算法,并将模糊综合推理机制运用到研究性学习系统中进行研究型应用。该系统中运用模糊综合评判对学习效果进行合理评判,得出综合成绩,以其作为改进研究性学习模式的参考评证,从而使研究性学习过程良性发展。     

运输车辆安全体系评价的研究

该文通过对车辆安全因数的分析、得出子危险集。在分析评价方法特征技术上应用了选用模糊推理模型(FIS)的评价方法对车辆的危险度进行评价与仿真,其结果是可信的。实现了对车辆安全进行量态和动态的评价体系。     

基于相似关系的决策系统的知识获取算法

本文基于一种相似关系下的粗糙集模型,给出了一些基本性质,讨论了该相似关系下的决策系统的知识获取算法。该算法可以避免因数据离散化的处理而产生的信息系统相似度的误差。     

基于模糊Petri网的汽车故障诊断仿真研究

本文将Petri网和模糊推理相结合,建立故障诊断的模糊Petri网模型。其中,用FPN表示模糊产生规则,用Petri网的变迁激活规则进行故障诊断推理,从而分析出异常行为过程间的因果关系,推理出故障的原因及其可信度。以汽车故障诊断为例,建立了基于模糊Petri网的诊断模型。通过仿真分析,验证了模型的正确性和算法的有效性。     

最大模糊互信息用于图像分割

为了更好地选取图像阈值,将最大模糊熵(MFE)准则与最大互信息(MMI)准则结合,提出最大模糊互信息(MFMI)准则。同时为了有效确定最佳分割类数,提出根据模糊互信息差(dFMI)来判别的准则。综合上述的两点改进,提出一种新的多阈值分割算法——最大模糊互信息量分割算法(MFMI)。对合成图像、无损检测图像、标准测试图像进行仿真,同时对比结合前的MFE与MMI,经典的阈值分割法如OTSU和MET,以及流行的模糊C均值算法(FCM),可以发现MFMI误判率最小,代价是运行时间较长。综上,MFMI是一个有效的图像分割方法。     

Internet宏观拓扑的协议映射与分析

从协议角度,利用拓扑学和图论方法研究了Internet宏观拓扑的网络性能和形成机理。在给定Internet宏观拓扑的图论定义后,通过找到一个协议通信模式到Internet宏观拓扑的可行映射条件,进而分析了Internet宏观拓扑的连通度和平均拓扑距离。结果表明Internet宏观拓扑的形成机理源于协议的无限空间换取有限时间效应的设计原理,使得Internet可以实现实时通信,即在满足网络可靠性的同时,又保证网络的有效性。     

面向不同利益相关者的IT投资决策模型

为了响应不同利益相关者在IT投资决策过程中的不同需求,把备选项目看作一个组合,综合IT项目的战略对应和财务收益为目标,权衡其成本、收益和风险,构建基于模糊多目标规划的IT投资决策模型,其中模糊数用来刻画不确定的项目信息。通过改变各临界值和求解过程中产生的参数,模型支持各种假设分析。最后用案例说明模型的用法和功能。     

一种基于图论的聚类算法NeiMu

提出一种新的基于图论的聚类算法NeiMu。该算法首先分析数据中的对象,寻找每个对象的k近邻,根据k近邻关系构造k近邻有向图,然后通过k近邻有向图中的k-互邻居关系构造k-聚类图,发现数据中的自然聚类。算法的特点是根据数据之间的互为k近邻关系确定数据中的自然簇,而不必引入其他方法来划分小簇,从而能够保证对象不会被错误聚类,仅会与其他小簇一起融合到一个大簇中。这一优点可以有效保证NeiMu算法的聚类质量。而且,NeiMu算法给出的这种类似自底向上的层次聚类结果还有利于用户根据渐变的结果确定最佳的k值。实验结果表明,该算法对密度变化大的数据、大小相差大的数据、任意分布形状的数据均具有很好的聚类质量,对孤立点也很健壮。