变精度粗糙集的属性核和最小属性约简算法

文中深入研究了变精度粗糙集的属性约简问题,给出了3种属性约简的概念,针对不同概念的属性约简,分别提出了两种不同的求解变精度粗糙集最小属性约简算法:基于容差矩阵和属性核的最小约简.提出了变精度粗糙集的属性核思想,对其进行了形式化描述,说明了变精度粗糙集的属性核真正具备了核的本质特征,从而更深层地提出了基于属性核的启发式约简以求解最小约简.理论分析和实例表明,所提出的两种最小约简算法可以减小属性约简的搜索空间,提高约简的效率,使得变精度粗糙集的属性约简具有了实用性.     

基于多元线性回归分析的薄储层预测技术在胜利探区的研究与应用

随着胜利油田油气勘探的逐步深入,薄储层成为重要的勘探方向之一,但其预测也一直是个勘探难题。因此针对其识别,开发了多元线性回归薄储层预测技术,研发了油藏表征系统软件。该方法在多种属性优选的基础上,建立了储层厚度与伪熵、混沌等优势地震属性间最优化定量计算关系,刻画了薄储层在平面上的分布趋势,进而掌握储层厚度分布特征。在阳信洼陷沙一段滨浅湖薄层砂体预测中,该项技术的应用取得了良好的勘探效果,较好地反映了生物灰岩储层平面上的展布特征,对胜利探区其它类型的薄储层油藏勘探,起到了很好的借鉴和参考意义。     

地震属性对云质岩储层识别的探讨

由于油气预探阶段钻井相对较少,地震属性分析技术能弥补此阶段钻、测井资料不足的劣势,其在储集性能评价和含油气性评价中起了重要作用。本文应用地震属性分析技术对新疆某地区风城组云质岩储层进行识别,并通过已钻井进行对比分析,从而确定研究工作的可靠性,对该地区储层预测工作具有指导意义和应用价值。     

面向嵌入式PLC领域的构件模型的研究与实现

嵌入式PLC以其软硬件可裁剪性,可以根据用户的个性化需求进行定制,节约成本等特点逐渐发展成为当前PLC开发的一种主流模式。而嵌入式PLC系统的开发面临着软件复用率低及非功能属性难以量化的挑战。以嵌入式PLC系统的构件化开发方法为出发点,采用高扩展性语言XML作为构件的描述语言,提出一种嵌入式PLC构件模型EPCM,它支持对非功能属性的分析与评估。通过构建一个嵌入式PLC控制算法的生成平台及基于该平台之上的案例分析,表明该构件模型不仅能提高软件的复用水平,而且对非功能属性的分析和验证的支持也是可行的。     

基于静态贝叶斯博弈的蠕虫攻防策略绩效评估

现有蠕虫攻击策略(防护策略)评估方法没有考虑防护策略(攻击策略)变化对攻击策略(防护策略)绩效评估的影响,且防护策略评估忽视了策略实施成本.针对这种情况,构建了基于静态贝叶斯博弈的绩效评估模型(performance evaluation model based on static Bayesian game,简称PEM-SBG)以及对抗情形下的蠕虫攻防策略绩效评估方法.在模型PEM-SBG基础上提出的基于灰色多属性理论的防护策略绩效评估方法,综合考虑了成本类和收益类的多个评估属性,有助于提高评估过程的全面性.针对典型的蠕虫攻防场景.利用仿真工具SSFNet进行了模拟实验,验证了所提出的模型和方法的有效性.     

可信网络中基于动态信息增益的多维属性决策*

综合考虑多重信任关系,将分类思想应用于可信网络多维决策属性下的服务授权问题,提出一种基于动态信息增益的多维属性信任决策模型。采用信息熵描述交易样本及各决策属性对服务授权级别的不确定性程度,采用信息增益描述决策属性的信息量。基于信息增益设置各决策属性权值。使用滑动窗口机制对各属性信息增益和权值动态调节。算法分析表明,所提出的总体信任度计算模型既符合人类信任决策对各种因素依赖程度的差异性,又能够随网络节点行为的动态变化自适应地进行调节。     

一种针对C程序缓冲区溢出的检测方法*

为了增强对程序缓冲区溢出漏洞的检测,提出一种利用CCured和BLAST对C程序进行分析的检测方法。首先利用CCured对C语言源程序进行运行时检测的代码插桩;然后用BLAST提供的自定义安全属性语言对这些插桩代码进行相关约束描述;最后让BLAST根据约束描述文件对代码插桩后的程序进行模型检测,就可以尽可能地找出C语言程序中潜在的缓冲区溢出漏洞。     

产品总体方案评价与优选的证据推理决策

产品总体方案评价与优选决策是产品设计过程中的重要步骤,它是决定总体设计之后进行详细设计的关键环节。考虑产品总体方案评价与选择决策过程中不确定、不完全主观判断的混合多属性决策问题,提出基于证据推理的决策模型;对决策属性中定量属性的证据处理以及不同定性属性不同辨识框下的情况进行了讨论。最后给出了实例。     

Learning from examples with unspecified attribute values

A challenging problem within machine learning is how to make good inferences from data sets in which pieces of information are missing. While it is valuable to have algorithms that perform well for specific domains, to gain a fundamental understanding of the problem, one needs a “theory” about how to learn with incomplete data. The important contribution of such a theory is not so much the specific algorithmic results, but rather that it provides good ways of thinking about the problem formally. In this paper we introduce the unspecified attribute value (UAV) learning model as a first step towards a theoretical framework for studying the problem of learning from incomplete data in the exact learning framework.In the UAV learning model, an example x is classified positive (resp., negative) if all possible assignments for the unspecified attributes result in a positive (resp., negative) classification. Otherwise the classification given to x is “?” (for unknown). Given an example x in which some attributes are unspecified, the oracle UAV-MQ responds with the classification of x. Given a hypothesis h, the oracle UAV-EQ returns an example x (that could have unspecified attributes) for which h(x) is incorrect.We show that any class of functions learnable in Angluin’s exact model using the MQ and EQ oracles is also learnable in the UAV model using the MQ and UAV-EQ oracles as long as the counterexamples provided by the UAV-EQ oracle have a logarithmic number of unspecified attributes. We also show that any class learnable in the exact model using the MQ and EQ oracles is also learnable in the UAV model using the UAV-MQ and UAV-EQ oracles as well as an oracle to evaluate a given boolean formula on an example with unspecified attributes. (For some hypothesis classes such as decision trees and unate formulas the evaluation can be done in polynomial time without an oracle.) We also study the learnability of a universal class of decision trees under the UAV model and of DNF formulas under a representation-dependent variation of the UAV model.     

一种新的小波神经网络结构优化设计方法

针对基于框架的小波神经网络存在的网络冗余性较大的问题, 提出一种基于粗糙集理论的网络结构优化设计方法. 首先通过时频分析确定小波神经网络的初步构造; 在此基础上, 根据网络输出对隐层节点依赖度的大小去除冗余的隐层节点, 达到优化网络结构的目的, 仿真结果表明该方法是简单而有效的.