Fuzzy AHP中的一种加权群体决策方法

考虑在一些群体决策问题中,由于决策者个人的经验、才知、权力等因素的不同,因而拥有不同决策权重的情况,提出Fuzzy环境中层次分析法的一种加权群体决策模型,同时还给出由Fuzzy判断矩阵计算被比较元素的Fuzzy排序权重的几种方法,并给出一个应用该群体决策模型的例子。     

基于大样本土壤光谱数据库的氮含量反演

充分挖掘大样本土壤光谱库中有效信息,建立普适性强的土壤全氮(TN)含量反演模型,是高光谱分析的重要应用方向之一。研究采用偏最小二乘回归(PLSR)全局建模、局部加权回归(LWR)和模糊K均值聚类结合PLSR(FKMC-PLSR)局部建模三种方法,分别建立了来自中国西藏、新疆、黑龙江、海南等13个省采集的17种土类1661个土壤样本TN值的高光谱反演模型,并对浙江省104个水稻土样本进行模型验证。结果表明,在大样本下PLSR全局模型对高TN值待预测样本存在低估现象,导致整体预测精度偏低;LWR和FKMC-PLSR局部模型比PLSR全局模型能够更为准确地反演TN含量。研究结果可为利用大样本光谱数据库建立稳定性和普适性较高的土壤TN含量预测模型提供参考。     

关于连续函数与可微函数的共凸逼近

关于凸逼近,共凸逼近的各种逼近阶的估计在近十多年来已引起了相当的重视和较多的研究,因为保形渐近的思想在实际问题中有着十分重要的意义。相比较而言,共凸逼近的的研究比凸逼近的情况要复杂,因此,不少关于凸逼近已得到解决的问题对于共凸逼近仍没有结果,关于共凸逼近,1984,Atacir,Sermin证明了。     

一种多尺度边缘测度融合加权HD算法

一般的边缘加权Hausdorff算法,由于单尺度边缘检测算子本身对噪音敏感,会造成真实和虚假边缘显著性差异小,从而加权后对噪音鲁棒性改善有限.为此,提出了一种基于多尺度边缘测度融合加权的Hausdorff景象匹配算法.对图像提取多尺度边缘测度后,引入证据推理理论,提出一种双向指数基本置信指派构造方法,并构造出多尺度边缘测度的基本置信指派函数,然后采用冲突再分配DSmT组合规则进行融合.为了进一步区别真实边缘与高频噪音,对加权Hausdorff公式进行了一些改进,给出了更为有效利用融和后边缘测度的加权Hausdorff公式.对可见光和SAR景象的匹配实验证明:本文算法所提取边缘在抑制噪音的同时保留了大量景象细节信息,并通过横向对比验证本文算法提高了噪音鲁棒性.     

一点到一仿射集合投影的加权扰动分析

1引言设AEC“”,M和N分别为m和,;阶Hermite正定阵,则存在唯一的矩阵X6C”””满足AXA一A,XAX一X,（MAX）”一MAX,（NXA）”一NXA,（．1）其中B”为B的共轭转置阵．称满足（互．l）的X为A的加权M－P逆,记作X二A和．特别,当M—I。,N—I。时,A;一A”为矩阵的M－P逆．文献［3—5,11,13］讨论了一点到一仿射集合投影的挑动和加权扰动理论．文献［7,9,18」研究了极小N一范数、M一最小二乘解的扰动分析．本文推广了以上文献的主要结果．考虑如下问题「1,2〕：给定AE〔叩“”,bEC一和广EO,找一个向量X”E…     

解不适定算子方程的一个定常二步隐式迭代法

１．引言 设Ｘ,Ｙ是两个Ｈｉｌｂｅｒｔ空间,Ａ：Ｘ→Ｙ是有界线性算子,考虑算子方程 Ａｘ＝ｙ（１．１）如果Ａ的值域Ｒ（Ａ）在Ｙ中非闭,则方程（１．１）是不适定的［１］．许多应用科学中都归结出这一类方程,特别地,许多反问题是不适定的［２,３］．本文考虑方程（１．１）的 Ｍｏｏｒｅ－Ｐｅｎｒｏｓｅ广义解,这里Ａ是算子Ａ的Ｍｏｏｒｅ－Ｐｅｎｒｏｓｅ广义逆［１］．Ａ＋ｙ存在当且仅当本文均作这一假设．在实际中,通常代替（１．１）的是扰动方程这里右端项,为一给定的误差水平,Ｑ是Ｙ到Ｒ（Ａ）的正交投影算子．对扰…     

置信区间的随机加权估计

用随机加权法建立了分位点ｑ的置信区间，又用后向临界点导出了更实用的置信区间。导出的置信区间是非参数的且和原置信区间长度相同。     

ρ-混合序列加权和的完全收敛性及其应用

本文研究了ρ-混合序列加权和的一些强极限定理,利用最大值矩不等式,获得了ρ-混合序列加权和的完全收敛性.并将此结果应用于线性回归模型参数的最小二乘估计及非参数回归模型的权函数估计.     

半平面中解析函数的零点

对在半平面中属于加权Hardy空间,不恒为零且在某一固定点列上为零的解析函数的存在性给出了充分必要条件。     

联合多级深度特征表示和有序加权距离融合的视频行人再识别方法

针对目前视频行人再识别中存在视角、光线变化,背景干扰与遮挡,行人外观与行为相似,以及相同行人在不同模态特征下距离的差异性而导致的匹配不正确问题,提出一种联合多级深度特征表示和有序加权距离融合的视频行人再识别方法。在行人特征表示阶段,提出了行人多级深度特征表示网络,该网络不仅能学习视频序列中行人的时空特征,还能获取行人的全局外观特征和局部外观特征。在有序加权距离融合阶段,将行人的特征表示输入到距离测度学习中,分别计算行人在三类特征下的独立距离,并将距离排序后,根据距离的排名优化距离权值,最后融合三类距离得到最终距离,从而准确匹配行人。通过在公共数据集中的实验表明,所提方法不仅能够提高视频行人再识别的识别率,还具有丰富和完整的行人特征表示能力。