多状态机械系统可靠性的离散化建模方法

针对传统的基于二态逻辑的可靠性评估方法应用于多状态系统理论和实际应用存在差异的问题,根据贝叶斯信念网(BBN)具有双向不确定性推理功能和图形化显示的特点,提出了一种多状态机械系统可靠性离散化建模方法.首先确定BBN的节点及离散系统各元件的多个状态,并给出各状态的概率,用概率分布表(CPD)描述元件各状态之间的关系来表达关联节点的状态,最终建立离散化BBN模型.该模型避免了已有方法复杂的公式计算,对元件数量没有限制.实例分析表明了应用BBN离散化模型进行多状态机械系统可靠性评估的有效性和优越性.     

连续变量的离散化方法

高等数学研究什么问题?它以什么样的单位度量数据?它研究数学问题的思想方法又是什么?这些无疑都是科技工作者所关心的问题。本文以简明的实例和论述从三个方面阐明了高等数学的连续变量的离散化方法,为分析数学问题提供了简明的数学模型。     

离散型随机变量的连续化方法

讨论了如何把离散型随机变量转化为连续型随机变量.首先给出了连续型随机变量与通过对其取整得到的离散型随机变量应该满足的两个充分必要条件,然后从不限定和限定连续型随机变量的分布这两个方面,给出了离散型随机变量连续化的几种方法,并且用这些方法分别解决了几何分布和离散韦布尔分布分别向指数分布和韦布尔分布的转化.     

线性存储的MD-离散化方法

对基于粗糙集理论的M D-算法进行了线性存储结构改进,进一步提高了算法的效率.     

离散化方法在积分中的应用

[0,1]区间内的有理点宏观上是密集的。这是因为任何两个不同的有理点的中点一定还是一个有理点,即宏观上我们看不到所谓相邻的有理点。假如我们承认数轴上有相邻的有理点,且相邻的两个有理点有间隔距离,则在宏观意义下的连续曲线,其自变量为有理点所对应的图形在宏观意义下仍是连续曲线,在微观意义下却是散点图。用这种观点分析处理积分中变量之间的依赖关系,我们称之为连续变量的离散化处理。以鲜明的观点和简明的实例对积分中连续变量的离散化方法进行论述和说明,取得了积分理论突破,揭示了积分的奥秘,完善了积分理论。一是不再用分割、求和、取极限的定义和方法处理定积分,简化现行定积分的繁琐定义。二是明确了现行理论中微元的意义。三是建立了从微元到积分的过渡理论。     

试论数值数学的离散化方法

这篇文章试图从方法论的观点出发,对数值数学中的离散化方法做一概括、综合和分类。并用离散化方法统观了计算数学的各分支,说明离散化方法是处理连续问题的一个重要的基本方法以及它在数值数学各分支中的地位和作用。并且阐述了各种离散化方法的实质。     

离散型随机变量连续化处理的方法

线性潜在结构方程式模型还仅限于研究连续型随机变量,对于各领域大量出现的离散型随机变量,还没有适用的线性结构方程式模型。因此,离散型随机变量连续化的研究具有重要的意义。对已知的离散型随机变量的分布律,通过分段线性插值,构造出相应的连续型随机变量的概率密度函数,使连续型与离散型随机变量有相同的数字期望和方差,并检验了两个随机变量分布函数的近似程度。     

基于遗传算法的Parzen窗离散化方法

为解决连续属性无法直接用于粗糙集理论中这一问题,将Parzen窗方法和遗传算法相结合,提出了一种全新的属性离散化方法。该方法首先选取较多个断点将连续属性分为较多类,然后结合粗糙集理论的一致性要求和Parzen窗所反映的离散结果稳定性指标定义遗传算法的适值函数。仿真结果表明:使用该方法得到的离散结果能得到较少个断点,并且保持数据原有的分类能力。     

一种近似等频离散化方法

在数据挖掘和机器学习研究中,许多算法以离散值为处理对象,常常需要对连续属性进行离散化.由于正态分布的广泛性,本文提出一种基于正态分布的近似等频离散化方法.该方法实现简单,关于数据集大小具有线性时间复杂度,适用于大规模数据集.在许多数据集上与文献中多个离散化方法进行了对比测试,实验结果表明,提出的无指导的离散化方法是有效、可行的.     

粗糙集理论应用中的离散化方法综述

粗糙集理论是一种有效处理不确定、不精确、不完备信息的数学工具。但是传统的粗糙集理论只能对数据库中的离散属性进行处理,而绝大多数现实的数据库既包含了离散属性,又包含了连续属性。针对粗糙集理论的这些缺陷,综述了几种比较常用的离散化算法,并在此基础上,引申出一些启发式离散算法。最后指出,现有的离散化算法都会或多或少地损失部分信息,目前还没有确定的评判准则评论哪一种方法更好、更合适;离散化方法的一个有效思想就是“最低限度地减少信息丢失、保持数据分类能力和使最终得到的离散化最小（分类器最小）”的原则。     

一类多元Hermite型插值的离散化问题

利用离散逼近算法理论,研究一类特殊的多元Hermite型插值的离散化问题,即将给定的Hermite型插值问题离散为一列Lagrange插值问题的极限.当Hermite型插值问题的插值条件对应一个二阶微分不变子空间时,利用其空间的结构属性,给出该问题在离散逼近算法思想下可被离散的充要条件,该条件对应的非线性方程组规模较小...     

具有全局聚类的多属性离散化算法

为了减少连续属性离散化后有用信息的丢失和信息系统总的断点数量,提出了一种具有全局聚类效果的多属性离散化算法.算法根据各属性预插入断点对信息系统近似分类质量的影响,来确定要插入断点的属性,从全局属性范围选择最佳断点.根据Ameva统计量来判断属性中最佳断点的位置,并以保证决策表的近似分类质量作为算法的终止条件.实验采用多...     

基于属性重要性和样本信息熵的多连续属性离散化后处理方法

有效判别决策表中离散化后样本数据的类型对于对后继阶段的机器学习和数据挖掘过程具有非常重要的意义.本文提出了一种基于属性重要性和样本信息熵的数据类型判别方法,并利用人工改造的一部分UCI数据库进行了模拟试验,结果表明方法是有效的,识别样本数据的准确率较高、识别错误率和拒识率较低.     

无限维交通均衡问题离散化方法研究

研究了无限维的交通网络均衡问题的离散化问题,证明了在某些条件下,离散化后的有限维交通网络均衡问题的解存在且惟一.当离散分割细度趋向于零时,离散化问题的均衡解通过一定的变换将逼近无限维问题的均衡解.     

粗糙集连续属性离散化的SOM网络方法

基于Rough Set理论中的不可分辨性原理,给出两个新的定义属性的最大区分值(Maximum Dis-cernibility Value,MDV)和属性冗余度(Attribute Redundancy Rate,ARR)。在数据预处理阶段,属性的MDV数值用于确定关于自组织映射网络SOM输出单元数量的启发式搜索策略;属性冗余度则用于衡量属性约简结果的信息冗余程度,并以此作为优化SOM网络输出层结构的依据。不依赖于领域经验知识,建立了MDV、SOM、ARR的组合算法模型,实现了Rough Set理论中连续属性的自动离散化计算,并明显提高了属性约简的速度。最后,通过项目实例对全过程进行有效验证。     

二维齐次随机场的离散化方法

以二维齐次随机场为模型,讨论了以相关面积为基础的离散化问题,为了解决这一问题,提出了“最佳图形”的概念及计算,并在图形为矩形域的情形下给出了具体的计算公式,最后给出一个算例。     

应用于离散H^∞控制的共轭化方法

用代数的方法导出Ｈ＾∞控制系统中共轭因子存在的充要条件为一个离散Ｒｉｃｃａｔｉ方程正解存在，为研究（Ｊ，Ｊ′）－无损失矩阵分解和求解Ｈ＾∞控制问题提供了一种有效工具。     

基于超立方体与信息熵的离散化方法

针对粗糙集中连续属性需要离散化问题进行了研究.根据数据对象的可分辨性原理构造超立方体,在数据空间上对信息表中的连续属性进行整体离散化处理.根据条件属性与决策属性的一致性关系,依照条件属性在粗糙集边界域中的分类能力来确定条件属性的重要性,在此基础上选取重要划分点对信息表中的连续属性进行局部离散化,同时以信息熵作为迭代约束条件.数值示例和实验表明这种整体与局部相结合的离散化方法是有效可行的.     

粗糙集连续属性的一种离散化方法

文中给出了基于属性值出现的频率的连续属性离散化的一种方法。在离散化问题描述的基础上,利用属性值出现的频率确定频数候选断点,再利用边缘断点算法进一步减少断点数目,达到离散化目的。该方法提高了决策属性关于条件属性的支持度,提高了属性约简的满意度。     

基于粒度商的连续属性离散化方法

连续数值属性的离散化是粒计算理论应用的重要步骤,提出粒度商的连续属性离散化方法。通过给出粒度商的概念,根据粒度商的大小来选取合适的区间粒,从而达到连续属性离散化的目的。最后给出实例分析,说明该算法的有效可行性。