对流扩散方程的离散技术及数值实验

本文研究了对流扩散方程的离散技术,并进行了大量数值实验。研究表明,scharfetter—Gummel的广义形式可以良好地消除内部的非物理振荡,且对边界层生成振荡的传播有抑制作用,但不能有效地消除边界层振荡。     

《自动控制原理》课程中闭环脉冲传递函数算法研究

针对一般方法推导离散系统闭环脉冲传递函数过程繁琐费时的问题,给出一种先连续化求出闭环传递函数再离散化求解的简便方法,并给出使用本方法的单一化条件。对于满足该条件的系统,可直接求用简便方法求取系统的闭环脉冲传递函数,不满足该使用条件的系统,对其中间变量的求取可使用本方法,因而大大简化求解闭环脉冲传递函数的过程,为采样控制系统的分析和设计提供了很大的方便。     

贝叶斯网参数学习中连续变量离散化方法研究

连续变量离散化是贝叶斯网络参数学习中面临的一个重要问题,它的好坏将直接影响到贝叶斯网络的推理效果。目前缺少一种有效的手段用于评价连续变量离散化的好坏,通过研究,提出了推理信息量的概念,并采用作为衡量连续变量离散化好坏的标准。在连续变量离散化的过程中,采用遗传算法通过迭代的方式寻求最优解,其中,推理信息量作为衡量个体适应度的标准。实例分析证明,推理信息量大的推理效果好要优于推理信息量小的推理效果。     

Worst case bounds on the point-wise discretization error in boundary element method for the elasticity problem

In this work, point-wise discretization error is bounded via interval approach for the elasticity problem using interval boundary element formulation. The formulation allows for computation of the worst case bounds on the boundary values for the elasticity problem. From these bounds the worst case bounds on the true solution at any point in the domain of the system can be computed. Examples are presented to demonstrate the effectiveness of the treatment of local discretization error in elasticity problem via interval methods.     

基于动态层次聚类的离散化算法的研究

连续属性离散化问题是机器学习的重要方面,是数据预处理问题之一.提供的基于动态层次聚类的离散化算法是层次聚类算法的一种改进.对该算法进行定性分析-对随机采集数据根据相似度进行聚类分析,得到论域的一种划分.通过实验表明,基于动态层次聚类的离散化算法对连续属性的划分更加合理,更加有效.     

A feature dependent Naive Bayes approach and its application to the software defect prediction problem

Naive Bayes is one of the most widely used algorithms in classification problems because of its simplicity, effectiveness, and robustness. It is suitable for many learning scenarios, such as image classification, fraud detection, web mining, and text classification. Naive Bayes is a probabilistic approach based on assumptions that features are independent of each other and that their weights are equally important. However, in practice, features may be interrelated. In that case, such assumptions may cause a dramatic decrease in performance. In this study, by following preprocessing steps, a Feature Dependent Naive Bayes (FDNB) classification method is proposed. Features are included for calculation as pairs to create dependence between one another. This method was applied to the software defect prediction problem and experiments were carried out using widely recognized NASA PROMISE data sets. The obtained results show that this new method is more successful than the standard Naive Bayes approach and that it has a competitive performance with other feature-weighting techniques. A further aim of this study is to demonstrate that to be reliable, a learning model must be constructed by using only training data, as otherwise misleading results arise from the use of the entire data set.     

数据挖掘中的三维缩减

1 引言在知识发现和数据挖掘技术的实际应用中,为了对大规模数据库进行高效处理,通常采用数据缩减的预处理方法。数据缩减(又称数据浓缩)就是将原始数据转换到某种更加紧凑形式而又不丢失有意义的语义信息的过程。有效的数据缩减方法不仅能显著削减数据量,提高知识发现效率,而且还可以简化学习获得的     

基于离散化误差补偿的试题难度题量控制方法

自动组卷是高校实现考试规范化、科学化的重要手段。考生的平均成绩可以通过试卷的平均难度来控制。然而,如何确定各种难度的题量是关键技术。利用正态分布来确定各种难度的题量,是目前研究的一个方向。提出了对难度进行离散化正态分布后,利用对称积分求取各种难度的概率分布,并且采用比例误差补偿方法减少误差。同时,根据自动组卷的具体问题,确定了标准差取0. 2更加合适,并且给出了在不同的总题量下各种难度题量的分配方案。结果表明,基于离散化误差补偿的试题难度题量控制方法能够较好地控制各种难度的题量,为自动组卷策略提供了有效的依据。     

基于神经网络和粗糙集规则的提取方法

在利用粗糙集对连续性数据进行分类规则挖掘时，需要对数据进行离散化处理，但是离散结果往往会破坏原有数据的隐含信息，提取的分类规则质量难以保证。该文设计了一种基于自组织人工神经网络与粗糙集理论的分类规则提取方法，利用神经网络自动分类的功能，对离散前后的数据进行分类，比较两次分类结果是否一致，当达到一致性结果后，再利用粗糙集理论对数据约简，进行规则提取，有效地解决了原始数据信息丢失的问题，通过实例证明了该方法的合理性。