有机添加剂对超低轮廓电解铜箔性能的影响

[目的]研究电解液中聚二硫二丙烷磺酸钠(SPS)和胶原蛋白(QS)质量浓度对超低轮廓(HVLP)电解铜箔性能的影响。[方法]采用以SPS为光亮剂、QS为整平剂及含有四氢噻唑硫铜(H1)的电解液电沉积制备了HVLP铜箔。研究了SPS和QS质量浓度不同时所得HVLP铜箔毛面的光泽度、粗糙度、力学性能、形貌和组织结构。[结果]SPS和QS的质量浓度都显著影响着HVLP铜箔的性能。随着SPS和QS质量浓度的增大,铜箔的抗拉强度先升后降,断裂伸长率先降后升,铜箔上Cu(200)晶面的择优取向增强,表面由沟壑状向平坦化转变。SPS和QS的质量浓度在2~8 mg/L范围内变化时所得铜箔性能均满足要求。[结论]通过调整电解液中SPS或QS的质量浓度均能制备出高光泽、低粗糙度的HVLP铜箔。

基于云变换和Rough集扩展模型的判定树构造

针对现有判定树算法在处理空缺值和连续值以及知识表达上不精确性和复杂性问题,提出基于云变换和Rough扩展模型的判定树构造算法。该算法利用云变换来离散化连续属性,然后根据概念集,采用极大判定法对每个数值型属性的原始属性值进行软划分,从而得到离散属性值。最后利用特性关系下的加权平均粗糙度来选取当前结点的分裂属性来递归生成判定树。与C5.0算法相比,新算法可妥善处理空缺值、合理离散连续属性。试验结果表明,该算法具有良好的实用性。

样例约简支持向量机

支持向量机(support vector machine,SVM)仅利用靠近分类边界的支持向量构造最优分类超平面,但求解SVM需要整个训练集,当训练集的规模较大时,求解SVM需要占用大量的内存空间,寻优速度非常慢。针对这一问题,提出了一种称为样例约简的寻找候选支持向量的方法。在该方法中,支持向量大多靠近分类边界,可利用相容粗糙集技术选出边界域中的样例,作为候选支持向量,然后将选出的样例作为训练集来求解SVM。实验结果证实了该方法的有效性,特别是对大型数据库,该方法能有效减少存储空间和执行时间。

幺半群上的粗糙超作用和粗糙超集(英文)

给出了粗糙超作用和粗糙超S-集的定义,将超作用和超S-集作了一个推广.

一类超奇异Marcinkiewicz积分的加权有界性

考虑粗糙核超奇异Marcinkiewicz积分算子为:α≥0,其中,核函数Ω∈Hq(Sn-1),q=(n-1/)(n-1+α),且Ω是零次齐次函数,同时满足[(n-1)(1/q-1)]次消失性;b(r)∈L∞(R+)为径向函数.建立了上述算子μΩb,α从加权齐次Sobolev空间Lαp(ω)到加权空间Lp(ω)的有界性,其中ω是适当的Ap权,1<p<∞.同时也证明了当2≤p<∞时,相应于gλ*函数和面积积分函数的Marcinkiewicz积分算子μΩ,λ,α *,b和μΩb,S,α的Lαp(ω)到Lp(ω)的有界性。

基于粗糙集理论的模糊支持向量聚类算法的改进

支持向量聚类(SVC)是一种重要的基于密度的聚类算法,在现实世界中有很多重要的应用。在没有任何先验知识的情况下,该算法提供了处理任意簇的能力,即任意轮廓和检测类数量的数据集。然而,如果异常值存在于数据中,该算法无法将这些点进行分类,这样会导致有关数据集重要信息的丢失。为了弥补这些缺陷,将粗糙集理论和模糊集理论与支持向量聚类算法相结合得到一种新的改进算法称为粗糙-模糊支持向量聚类算法(Rough-Fuzzy Support Vector Clustering)。即通过使用支持向量作为聚类原型获得粗糙-模糊聚类。该聚类的结构特征有两个主要内容:下近似集和模糊边界。当支持向量集作为一个特殊的聚类,通过元素间的亲密程度,模糊边界的隶属度可以被计算出来。而下近似集包含的样本点建立在SVC算法训练阶段获得的超球体内。在检测异常值和计算任意轮廓的聚类方面,本文所介绍的聚类算法与软聚类算法相比拥有相当程度的优势。