矩阵的多行拟相合分类及其应用

本文把方阵的拟相合概念推广为长方阵的多行拟相合概念，并对最简情形即Ｍ２，４（Ｆｐ）给出分类结果．此概念之一应用出现在有限环的同构分类之中．     

流形判别分析和支持向量机的恒星光谱数据自动分类方法

尽管经典的分类方法支持向量机SVM在天文学领域广泛应用,但其只考虑类间的绝对间隔而忽略类内的分布性状,因而分类性能有待于进一步提升。鉴于此,提出一种新颖的基于流形判别分析和支持向量机的恒星光谱数据自动分类方法。该方法引入流形判别分析的两个重要概念：基于流形的类内离散度M_W和基于流形的类间离散度M_B。所提方法找到的分类面同时保证M_W最小且M_B最大。可建立相应最优化问题,然后将原最优化问题转化为QP对偶形式求得支持向量和判别函数,最后利用判别函数判断测试样本的类属。该方法的最大优势在于进行分类决策时,不仅考虑样本的类间信息和分布特征,而且还保持了各类的局部流形结构。SDSS恒星光谱数据上的比较实验表明该方法的有效性。     

居民垃圾分类行为与政府收费行为的演化博弈分析

为探究政府垃圾收费政策在居民实施垃圾分类中的作用,本文在分析政府和居民在不同策略下各自成本和收益的基础上,借助演化博弈论方法构建居民和政府的演化博弈模型,研究了演化稳定策略,并进行仿真分析。结果表明,居民的垃圾分类行为与环保意识、政府的收费政策等有关,政府可以通过设立合理的垃圾收费政策和加强宣传来引导居民进行垃圾分类。     

多示例学习问题研究进展综述

多示例学习是一种特殊的机器学习问题,近年来得到了广泛的关注和研究,许多不同类型的多示例学习算法被提出,用以处理各个领域中的实际问题. 针对多示例学习的算法研究和应用进行了较为详细的综述, 介绍了多示例学习的各种背景假设, 从基于示例水平、包水平、嵌入空间三个方面对多示例学习的常见算法进行了描述, 并给出了多示例学习的算法拓展和若干领域的主要应用.     

利用带无标签数据的双支持向量机对恒星光谱分类

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进,人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此,研究人员开始关注数据挖掘算法,并尝试对这些光谱进行数据挖掘。近年来,神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中,支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时,通过将其最优化问题转化为具有(QP)形式的凸问题,进而得到全局最优解。尽管该方法在实际应用中表现优良,但为了进一步提高其分类能力,有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开,每一类靠近某个分类面,而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍,因此,自TSVM提出后便受到研究人员的持续关注,并出现若干改进算法。在恒星光谱分类中,一般分类算法都是根据历史观测光谱来建立分类模型,其中最关键的是对光谱进行人工标注,这项工作极为繁琐,且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此,提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分;然后,在训练集上进行学习,得到分类依据;最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势,更重要的是,在训练集上学习分类模型过程中,不仅考虑有标记的训练样本,也考虑部分未标记的样本。一方面提高了学习效率,另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明,与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比,带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而,该方法亦存在一定的局限性,其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想,利用大数据处理技术,来对所提方法在大数据环境下的适应性展开进一步研究。     

机器学习方法在储层分类中的应用

油气田开发中有效储层和非有效储层的样本点存在混合带时,两类储层的划分是一个难点问题.从统计学上来看,其本质是一个含噪声的小样本二分类问题,可以采用机器学习方法,充分挖掘有试油成果的样本点的数据信息.分别利用线性判别分析、支持向量机、多层感知机神经网络建立储层分类模型,利用10次10折交叉验证法进行模型评估与优选,并利用全部样本点建立了有效的储层分类模型,最后将模型推广应用到样本分布的三种不同情形.结果表明,线性支持向量机模型具有最好的分类效果和很强的泛化能力,对于区分有效储层和非有效储层是有效的,可以在油气田开发中进行推广.     

Giant Magneto-Impedance of Co50Ni22Ga28 Alloy with High Chemical Ordering

The microstructure of CosoNi22Ga28 ribbon with the L10 structure is examined. The band-like morphology is observed. These bands with the width in a range of 40-200 nm appear along the transverse direction of the ribbon. The giant magnetoimpedance （GMI） effect in this alloy is measured. The results show that Co5oNi22Ga28 exhibits a sharp peak of the GAI effect. The maximum GAH ratio up to 360% is detected. The GMI effect measured versus temperature shows large jumps of the magnetoimpedance amplitude at the reversal martensitic transformation temperature 240℃ and Curie temperature 375℃C respectively. The jump ratios of the magnetoimpedance amplitude examined at these temperatures are about 5 and 10, respectively.     

加群(Pk-1,P)型的Pk(k>3)阶结合环的同构分类

本文给出加群(p^k-1,p)型的p^k(k>3)阶结合环的同构分类,类数如下表:(?)并按幂零和非幂零分别列表举出一个全体代表团。     

非寿险分类费率模型及其参数估计

在非寿险分类费率厘定中,存在各种模型可供选择,如加法模型、乘法模型、混合模型和广义线性模型等,而在这些模型的参数估计中,还存在各种可供选择的估计方法,如最小二乘法、极大似然法、最小x2法、直接法和边际总和法等。这些模型和参数估计方法散见于各种精算学文献中,本文对这些模型和参数估计方法进行了系统的比较和分析,并揭示了它们之间存在的一些等价关系。     

避免"分类讨论"的几种策略

分类讨论既是一种重要的数学思想方法,又是一种重要的解题策略,在数学解题中有着广泛的应用.但分类讨论时,一般过程都较为冗长、繁琐,且极易在完备性上造成失误.因此,在分类之前应有意识地调整思维策略,尽量地避免分类讨论,以简化或优化解题过程,达到简捷解题的目的.本文介绍几种避免分类讨论的解题策略.……