运动员兴奋剂检测模型的建立与分析

Pooling设计理论被广泛应用于低发生率的实验设计中,利用Pooling设计理论构作了一个数学模型并将这一模型应用于运动员兴奋剂的检测,为运动员兴奋剂检测提供了一种新方法.     

基于二元叠加码M_q(n,k,d)的随机Pooling设计

以2002年Ngo Hung Q.和DU Ding-Zhu构作的二元叠加码M_q(n,k,d)为基础生成一个随机Pooling设计,研究了这个随机Pooling设计的参数和性质.     

基于有限域上仿射辛空间的Pooling设计的构造

主要利用有限域上仿射辛空间构造了Pooling设计,运用有限域上的仿射辛空间的计数定理,研究其析取性质,计算各个参数及实验效率,并将本设计的实验效率与已有设计的实验效率进行比较,给出本设计优于已有设计的条件.     

(,z)-矩阵的卡氏积及其性质

二元叠加码(,z)-析取矩阵是Pooling设计理论的一个极其重要的数学模型,定义了两个已知(,z)-析取矩阵的卡氏积并证明了它的性质,最后,对这一定义进行了推广.     

n维有限射影几何上的Pooling设计

利用n维有限射影几何的性质,首先研究了Pooling设计的数学模型Mq(m,k,r)矩阵的参数d,e.其次证明了矩阵Mq(m,k,r)的转置矩阵Mq(m,r,k)是一个(d,z)- separable矩阵.     

(d,r,z]-析取矩阵的卡氏积及其性质

二元叠加码[d,r,z]-析取矩阵是Pooling设计理论的一个极其重要的数学模型,定义了两个已知(d,r,z]-析取矩阵的卡氏积并计算了它的参数,最后介绍了它的检纠错性质.     

基于奇异酉空间的具有容错纠错能力的Pooling设计的构造

本文利用奇异酉空间中子空间的包含关系,构造了一类具有容错纠错能力的Pooling设计,讨论了其析取性质,计算了其实验效率t/c,并通过与已构造出设计的实验效率进行对比,表明:在一定条件下,新设计优于前人已构造出的设计.另外,本文还分析了所构造矩阵的行数、列数分别随参数的变化规律,从而得出了该设计的实验效率随相关参数的变化规律.     

酉空间中一类子空间的排列问题与具有纠错能力的d~z-析取矩阵

Pooling设计在实践中有着广泛的应用,它的数学模型是d~z-析取矩阵.本文利用酉空间的一类子空间构做了一类新的d~z-析取矩阵.为了讨论此设计的纠错能力,重点研究了酉空间中的一类子空间的排列问题,即对于酉空间F_q~2~((n))上的一个给定的(m,s)型子空间C和一个整数d,找到C的d个(m-1,s-1)型子空间H_1,H_2,…,H_d,使得包含在H_1∪H_2∪…∪H_d中的(r,s-4)型子空间的个数最多,并确定这个数的上界.然后应用此结果,给出了d~z-析取矩阵中反映纠错能力的z值的紧界.     

基于批量-时间原则的VMI Hub配送柔性

批量-时间原则是一种既考虑配送经济批量又考虑配送时间要求的配送原则,基于此原则,本文对VMIHub运作模式下的配送柔性进行了研究,引入加权配送松弛时间(Weighted Slack Time,WST)以度量配送柔性。验证了VMI Hub运作模式在原材料配送方面的优势:VMI Hub运作模式具有配送上的集聚效应(Pooling Effect)和统一配送的特点,可以有效解决多供应商配送存在交叉时间而使加权配送松弛时间减少的问题,从而保证了稳定的配送松弛时间,体现了良好的配送柔性。     

均值-方差期望效用函数下的风险共担

借助Samuelson提出的风险汇合(Risk Adding)与风险分担(Risk Pooling)的概念,讨论了风险共担(Risk Sharing)机制产生的原理.在均值-方差效用函数下,给出了帕累托有效风险共担原则的具体形式,以及风险共担群体接纳新的个体,从而形成更大风险共担群体的条件.在此基础上,证明在均值-方差期望效用函数下,当考虑风险共担群体的形成条件以后,帕累托有效的风险共担原则等价于条件期望风险分配函数.从而在这一特殊效用函数下,建立了风险共担与风险分配函数之间的等价关系.     

基于可拓学理论的高维大数据相似性研究

高维大数据的相似性计算是数据挖掘领域的研究重点,论文通过分析高维大数据相似性计算的难点,提出采用可拓学的方法解决其中矛盾问题的研究思路。在基元表示高维大数据的基础上,借助数据转换、数据筛选、权重的确定、数据预处理等技术实现了数据之间的相似性计算,并基于水污染常规分析数据进行了算法验证。论文借助可拓的思想研究大数据相似性的问题,不仅对数据挖掘的研究有一定的理论促进,同时也为可拓学的研究提供了新的应用空间。     

基于粗糙集理论的智能数据分析模型

粗糙集理论作为一种智能数据分析和数据挖掘的新的数学工具,其主要优点在于它不需要任何关于被处理数据的先验或额外知识.提出了一种基于粗糙集理论的智能数据分析模型,从目标数据集出发,通过数据预处理、数据分类和规则获取,实现对原始数据集的智能分析,并通过实例测试验证了该模型的有效性.     

股票综合评价的符号数据PCA方法

符号数据分析是一种新兴的数据挖掘技术,区间数是最常用的一种符号数据。研究应用区间型符号数据的PCA方法来评价股票的市场综合表现问题。首先介绍了符号数据分析的基本理论。接下来研究了区间数据样本的经验描述统计量的计算,并基于经验相关矩阵,给出了区间主成分分析的算法,该算法最终得到区间数表达形式的主成分取值。最后选取上海证券交易市场20支股票在某一周上的交易数据,进行了实证研究,基于区间主成分得分的矩形图表示,将20支股票按其市场综合表现分成了四类。     

Diverse reduct subspaces based co-training for partially labeled data

Rough set theory is an effective supervised learning model for labeled data. However, it is often the case that practical problems involve both labeled and unlabeled data, which is outside the realm of traditional rough set theory. In this paper, the problem of attribute reduction for partially labeled data is first studied. With a new definition of discernibility matrix, a Markov blanket based heuristic algorithm is put forward to compute the optimal reduct of partially labeled data. A novel rough co-training model is then proposed, which could capitalize on the unlabeled data to improve the performance of rough classifier learned only from few labeled data. The model employs two diverse reducts of partially labeled data to train its base classifiers on the labeled data, and then makes the base classifiers learn from each other on the unlabeled data iteratively. The classifiers constructed in different reduct subspaces could benefit from their diversity on the unlabeled data and significantly improve the performance of the rough co-training model. Finally, the rough co-training model is theoretically analyzed, and the upper bound on its performance improvement is given. The experimental results show that the proposed model outperforms other representative models in terms of accuracy and even compares favorably with rough classifier trained on all training data labeled.     

基于模糊属性刻画的T相似性关系的构造

模糊关系是模糊粗糙分析的基础。从属性数据生成模糊关系是模糊粗糙集实际应用中的重要问题。针对模糊属性刻画,给出了生成几种T相似性关系的方法。首先,对于每一个属性,分别生成一个T相似性关系。而后,通过聚合算子来合成这些T相似性关系,以得到一个综合的T相似性关系。     

Integration and dimensional modeling approaches for complex data warehousing

With the broad development of the World Wide Web, various kinds of heterogeneous data (including multimedia data) are now available to decision support tasks. A data warehousing approach is often adopted to prepare data for relevant analysis. Data integration and dimensional modeling indeed allow the creation of appropriate analysis contexts. However, the existing data warehousing tools are well-suited to classical, numerical data. They cannot handle complex data. In our approach, we adapt the three main phases of the data warehousing process to complex data. In this paper, we particularly focus on two main steps in complex data warehousing. The first step is data integration. We define a generic UML model that helps representing a wide range of complex data, including their possible semantic properties. Complex data are then stored in XML documents generated by a piece of software we designed. The second important phase we address is the preparation of data for dimensional modeling. We propose an approach that exploits data mining techniques to assist users in building relevant dimensional models.     

一种基于大数据处理的异构私有云系统

云计算和大数据已成为IT领域的研究热点,如何将云计算在数据存储和数据处理方面的优势应用于大数据领域具有重要的实际应用价值.开源的云平台OpenStack可方便地从硬件管理方面构建私有云,其存储模块Swift能够支持PB级的大数据存储.开源的云平台Hadoop在数据处理方面具有很强的优势,但在支持超大数据存储方面存在不足.通过对OpenStack中的存储模块Swift和Hadoop中的文件处理模块HDFS的比较分析,提出了将Swift和Hadoop的MapReduce技术结合来构建企业处理大数据的私有云计算系统方案.分析结果显示该方案是可行的,这种异构的私有云系统可以整合不同云计算平台各自的优势进行高效的大数据处理.     

Weibull 分布等分位数数据填充算法及其应用

基于作者曾提出的处理非随机删失数据的迭代算法,针对weibull分布相同定时截尾型试验数据,通过改变数据的填补方式,在保证由算法所得的参数估计的相合性和不变性的前提下,使得改进后的算法所得的虚拟完全数据更接近于真实的完全数据.模拟研究表明,对于删失数据情形下可靠度的区间估计问题,改进后的算法更加精确.     

The value of information in energy harvesting sensor networks

We study optimal data collection in energy harvesting sensor networks. The sensed data-stream constitutes a sequence of stationary ergodic random variables and, assuming that timely data is valued more, the value of the data is discounted over time such that frequent collection is required to avoid a loss in value. However, unlimited data collection is constrained by both the cost of data collection and the availability of energy.     

A multi-space data association algorithm for target tracking systems

In this paper, a multi-space data association algorithm based on the wavelet transform is proposed. In addition to carrying out the traditional hard logic data association in measurement space, the new algorithm updates the state of the target in the pattern space. Such a function significantly reduces the complicated environment misassociation effects on the data association. Simulation results show that the performance of the multi-spaced data association is much better than the existing data association algorithms in complicated clutter environments, such as the nearest-neighbor standard filter (NNSF), the probabilistic data association (PDA) and the joint probabilistic data association (JPDA). The computation of the multiple-space data association is much less than the aforementioned other existing data associations, and this new data association does not need any priori information of the environment. In complicated clutter environments, compared with the other data association, the new data association proposed in this paper is very robust, reliable and stable.