基于Copula函数的设计径流推算方法

不同时段长度的径流极值事件之间存在相关性,极值事件的共同发生具有重要的现实意义。基于极值理论,利用广义极值分布对不同时段长度的径流年极大值序列进行分布拟合,并以此为边缘分布分别建立Gumbel Copula、Clayton Copula和t-Student Copula两变量联合分布模型。结果表明:t-Student Copula上尾和下尾均存在相关性,能更好地给出真实数据厚尾分布的几何特征,捕捉到尾部的变化;两变量联合分布法得到的设计值较大,更偏于安全;利用Copula函数来描述不同时段长度的极端径流事件之间的相关关系,可以更加灵活可靠地推求设计径流过程和分析径流事件的条件频率。     

大数据的未来

<正>大数据应用所带来的价值已经让我们为之兴奋,不过,这并不是大数据应用所爆发出来的最大能量。事实上,目前我们所看到的大数据应用,更多的是对历史数据和一些消费者行为数据进行分析,这样固然能够帮助企业在管理、运营以及营销方面得到提升,但大数据应用的更大价值,并没有得到完全的体现。     

大解析网站外链建设

正提到外链,相信做网站优化的站长都应该知道,而且外链是每一位站长在每一天优化网站的过程中必不可缺的优化工作,所以外链成为了站长所离不开的优化工作,既然外链是站长每天必须做的优化工作,那么可以看出外链对于网站的重要性。当然,从目前的百度搜索引擎优化角度来说,可能外链对网站的效果没有以前的效果出色了,但对于网站来说仍是缺一不可的。因此,不管是现在、以后或未来,只要搜索引擎优化存在一天,外链就必须为网站进行优化工作。     

化肥生产的几个主要因素与能耗的关系

分析广州石油化工总厂化肥厂１９８６～１９９６年的生产数据，得出能耗与合成氨和尿素装置的运转率及生产负荷率有显著或极显著的负相关性，建立了几种直线回归方程。分析表明负荷对能耗的影响远大于运转率的影响，能耗与装置停车的次数相关性不显著。     

双向扩散机制融合时间延迟的图像加密算法

当前混沌加密系统普遍采用单向扩散机制,导致计算效率和加解密速度较低,且都忽略了时间延迟现象,使其序列自相关性较高,无法满足安全、实时的传输需求。为此,提出一种双向扩散机制融合时间延迟的图像加密算法。迭代计算超混沌LORENZ系统得到一组超混沌序列,通过时间延迟函数与logistic映射将时间延迟引入到超混沌序列中,得到一组新序列,并利用位置集合置乱方法对该序列所得到的位置集合图像重新设置,采用密钥流机制量化新序列,通过双向扩散机制加密图像。仿真实验结果显示,与传统加密算法相比,该算法的加密机制较安全,密钥空间较大,计算效率较高。     

最小相关性最大依赖度属性约简

在经典粗糙集中,基于重要度的决策表属性约简算法只考虑了决策属性与条件属性之间的依赖度,没有考虑约简中条件属性之间的相关性,由此求出的约简中可能依然包含冗余属性。针对这一问题,提出了一种改进算法,它利用最小相关性和最大依赖度准则求决策表属性约简。与基于重要度的决策表属性约简算法相比,本算法求出的约简包含的属性个数少、冗余小。实验结果显示,本算法优于基于重要度的决策表属性约简算法。     

基于Fisher字典学习稀疏表示的高光谱图像分类

近年基于稀疏表示的分类框架(Sparse Representation based Classification,SRC)在计算机视觉和模式识别领域取得了巨大成功,高光谱图像解译也逐渐引入稀疏表示方法。针对基于SRC的高光谱图像分类算法随机抽取训练样本构成字典较难捕获相似类别的相对差异性信息问题,提出采用Fisher字典学习方法增强相似类训练样本的可区分性。此外,考虑到高光谱图像具有较强空间相关性的特点,设计一种简单有效的投票策略进行类别判决。大量实验表明:基于Fisher字典学习的联合投票分类方法能够较好地改善高光谱分类精度。     

基于特征融合的加权SVM音频隐写分析算法

针对隐写分析中特征维数过高的问题,提出一种特征加权支持向量机音频隐写分析算法.利用特征相关性对原始特征进行优化选择,利用增益比率法计算特征权重,提出了改进特征加权支持向量机.与常用的C-SVM进行的对比实验表明,该方法能够有效提高检测率,降低时间复杂度.     

基于多示例学习的图像标注方法

随着数码产品,移动智能设备以及存储设备的普及,大数据时代已经来临,如何对海量数据进行有效的组织、管理、存储成为科研以及商业领域急需解决的问题,在图像数据挖掘当中,图像标注分类是当前比较热门的方向。采用机器学习的方法来找到大规模数据当中的隐含规律,实现样本的视觉内容到概念的映射需要对视觉数据内容进行恰当的描述,如果我们使用整个的图像作为基本单元,存在的问题就是视觉数据往往具有歧义性,难以准确表述包含的语义,多示例学习方法应运而生。图像分类问题本身是一种多标签问题,传统方法将其转化为一系列的单标签问题解决,忽略了标签之间的相关性,我们将标签相关性引入到模型构建当中,实验取得良好效果。