Suppose that {b(n)} and {c(n)} are two positive sequences. Let F({b(n)}, {c(n)}) = {f(z) : f(z) is analytic in \z\ < 1, f(z) = z - Sigma(n=2)(+infinity) a(n)z(n), a(n) greater than or equal to 0, Sigma(n=2)(+infini...Suppose that {b(n)} and {c(n)} are two positive sequences. Let F({b(n)}, {c(n)}) = {f(z) : f(z) is analytic in \z\ < 1, f(z) = z - Sigma(n=2)(+infinity) a(n)z(n), a(n) greater than or equal to 0, Sigma(n=2)(+infinity) b(n)a(n) less than or equal to 1 and Sigma(n=2)(+infinity) c(n)a(n) less than or equal to 1}. This article obtains the extreme points and support points of F({b(n)}, {c(n)}).展开更多
By the author denotes the areal measure on the unit disk . Let H'p = {f(z): f(z) is analytic in D and . Let B H 'p and. This article researches the support points and extreme points of B(H'p).
提出一种基于等价支持子集的重要度计算方法(Support subset significant based on equivalence relation,S3ER)用于计算质量特性的重要度。S3ER算法首先定义条件属性值对决策属性值的支持度,并定义条件属性值的区分能力,通过计算条件...提出一种基于等价支持子集的重要度计算方法(Support subset significant based on equivalence relation,S3ER)用于计算质量特性的重要度。S3ER算法首先定义条件属性值对决策属性值的支持度,并定义条件属性值的区分能力,通过计算条件属性值区分能力的均值,得到条件属性对决策属性的重要度。S3ER算法还能够预测未知样本类别,并获得决策属性的支持子集,通过对支持子集的分析抽取决策规则。试验对比KNN算法和带有权重的KNN算法的分类精度,验证S3ER算法所得属性重要度的有效性;对比S3ER算法、带有权重的KNN算法和C4.5算法在UCI数据库上5个分类数据集的分类精度,验证S3ER算法分类的有效性。将S3ER算法应用于某航空制造企业加工数据,得出该企业的重要质量特性的属性重要度、预测样本的质量结论,并抽取质量决策规则,以改进产品质量。展开更多
提出一种基于最优样本子集的在线模糊最小二乘支持向量机(least squares support vector machine,LSSVM)混沌时间序列预测方法.算法选择与预测样本时间上以及欧氏距离最近的样本点构成最优样本子集,并采用ε不敏感函数对其进行模糊化处...提出一种基于最优样本子集的在线模糊最小二乘支持向量机(least squares support vector machine,LSSVM)混沌时间序列预测方法.算法选择与预测样本时间上以及欧氏距离最近的样本点构成最优样本子集,并采用ε不敏感函数对其进行模糊化处理,通过模糊LSSVM训练获得预测模型.随着时间窗口的滑动,最优样本子集和预测模型实时更新,模型更新采用分块矩阵方法降低运算复杂度.实验中对时变Ikeda序列进行预测,表明所提出的方法与离线和在线LSSVM相比,训练速度更快,预测精度更高.展开更多
考虑特征之间的相关性对于其类间区分能力的影响,提出了一种新的特征子集区分度衡量准则——DFS(Discernibility of Feature Subsets)准则.该准则考虑特征之间的相关性,通过计算特征子集中全部特征对于分类的联合贡献来判断特征子集的...考虑特征之间的相关性对于其类间区分能力的影响,提出了一种新的特征子集区分度衡量准则——DFS(Discernibility of Feature Subsets)准则.该准则考虑特征之间的相关性,通过计算特征子集中全部特征对于分类的联合贡献来判断特征子集的类间辨别能力大小,不再只考虑单个特征对于分类的贡献.结合顺序前向、顺序后向、顺序前向浮动和顺序后向浮动4种特征搜索策略,以支持向量机(Support Vector Machines,SVM)为分类工具,引导特征选择过程,得到4种基于DFS与SVM的特征选择算法.其中在顺序前/后向浮动搜索策略中,首先根据DFS准则加入/去掉特征到特征子集中,然后在浮动阶段根据所得临时SVM分类器的分类性能决定刚加入/去掉特征的去留.UCI机器学习数据库数据集的对比实验测试表明,提出的DFS准则是一种很好的特征子集类间区分能力度量准则;基于DFS与SVM的特征选择算法实现了有效的特征选择;与其他同类算法相比,基于DFS准则与SVM的特征选择算法具有非常好的泛化性能,但其所选特征子集的规模不一定是最好的.展开更多
文摘Suppose that {b(n)} and {c(n)} are two positive sequences. Let F({b(n)}, {c(n)}) = {f(z) : f(z) is analytic in \z\ < 1, f(z) = z - Sigma(n=2)(+infinity) a(n)z(n), a(n) greater than or equal to 0, Sigma(n=2)(+infinity) b(n)a(n) less than or equal to 1 and Sigma(n=2)(+infinity) c(n)a(n) less than or equal to 1}. This article obtains the extreme points and support points of F({b(n)}, {c(n)}).
文摘By the author denotes the areal measure on the unit disk . Let H'p = {f(z): f(z) is analytic in D and . Let B H 'p and. This article researches the support points and extreme points of B(H'p).
文摘提出一种基于等价支持子集的重要度计算方法(Support subset significant based on equivalence relation,S3ER)用于计算质量特性的重要度。S3ER算法首先定义条件属性值对决策属性值的支持度,并定义条件属性值的区分能力,通过计算条件属性值区分能力的均值,得到条件属性对决策属性的重要度。S3ER算法还能够预测未知样本类别,并获得决策属性的支持子集,通过对支持子集的分析抽取决策规则。试验对比KNN算法和带有权重的KNN算法的分类精度,验证S3ER算法所得属性重要度的有效性;对比S3ER算法、带有权重的KNN算法和C4.5算法在UCI数据库上5个分类数据集的分类精度,验证S3ER算法分类的有效性。将S3ER算法应用于某航空制造企业加工数据,得出该企业的重要质量特性的属性重要度、预测样本的质量结论,并抽取质量决策规则,以改进产品质量。
文摘提出一种基于最优样本子集的在线模糊最小二乘支持向量机(least squares support vector machine,LSSVM)混沌时间序列预测方法.算法选择与预测样本时间上以及欧氏距离最近的样本点构成最优样本子集,并采用ε不敏感函数对其进行模糊化处理,通过模糊LSSVM训练获得预测模型.随着时间窗口的滑动,最优样本子集和预测模型实时更新,模型更新采用分块矩阵方法降低运算复杂度.实验中对时变Ikeda序列进行预测,表明所提出的方法与离线和在线LSSVM相比,训练速度更快,预测精度更高.
