一种能得到优化代表集的测试用例集极小化算法

测试用例的数量影响软件测试的成本和效率,因此精简测试用例集具有极为重要的意义.在结合国内外提出的几种算法的基础上,提出了一种能保证得到优化代表集的测试用例集极小化算法.

节理岩体的代表单元集合体模型及弹性参数预测

本文明确提出了节理岩体“代表单元集合体”的概念和模型 ,通过对节理岩体的“代表单元集合体”进行数值模拟 ,研究了节理岩体的“代表单元集合体”的变形特性 ,建立了节理岩体的弹性模型 ,提出了预测节理岩体宏观等效弹性参数的计算机模拟方法 ,并将其应用于岩体工程稳定性分析中 .

泛Kennard-Stone算法的数据集代表性度量与分块采样策略

在大数据机器学习时代,选择更具代表性的数据集对于模型的训练和验证尤为重要.Kennard-Stone(KS)算法及其各种变种(泛KS算法)是一大类优异的数据集分割方法,但其采样比例或采样数的选择仅能依靠经验或根据建模结果事后评判.KS算法依据原始文献的计算复杂度为O(K^(3)),难以用于超大数据样本量的计算.本文基于数据集完备性的讨论,提出泛KS算法的数据集代表性度量,以简正振动采样的甲烷分子中碳氢键数据特征分布为例展示采样集代表性效果.简化KS采样过程的筛选算法,提高算法效率至O'(K^(2)).提出将数据集切分成多个子集分别实施KS采样的分块采样策略,可进一步提高算法效率至O″(K).偏最小二乘回归测试结果表明,该方法在提高采样效率的同时仍可保障采样集的代表性.

代表性社区集发现

随着计算机的普及和互联网的快速发展,社交网络的使用也越来越普遍。信息在社交网络上呈爆炸式传播,越来越多的热门事件、网络红人在互联网上出现,同时这些事件或者人物会通过联系聚集为不同的群体或者社区,从而产生巨大的影响力。因此,互联网、生物学、经济学等各类学科中的社区问题逐渐成了研究热点,对社区进行研究发展成为了一个新兴的方向。然而,进行社区发现后所得到的数据量仍是庞大的,因此,社区发现相关工作完成之后,对社区发现的结果进行优化和进一步处理的相关研究也逐渐兴起并且受到重视。为了达到以上目的,使社区及其相关理论能够应用到实际中,实现从理论到应用的转型,提出了代表性社区集发现算法。

基于测试需求集的测试用例集极小化算法

测试用例集约简技术是生成最小测试用例集，最大限度地对软件进行科学有效的测试，从而降低软件测试的成本、提高测试效率的关键技术之一、结合国内外几种算法的策略的基础上，提出了一种基于测试需求集的最小测试用例集的生成方法，该方法能够保证得到优化代表集。

有限群的陪集及二重陪集的性质

以有限群子群的陪集为切入点,探讨二重陪集在群元素的计数、陪集和子群性质等方面的作用,从侧面考察了陪集和二重陪集之间的关系.

复反射群G(m,p,r)的陪集分解

本文研究了非本原复反射群G(m,p,r)的右陪集分解,其中m,p,r是正整数,且p整除m.通过使用GAP软件计算一些当m,p,r取较小自然数时的特例,推导出了一般情形下,非本原复反射群G(m,p,r)的抛物型子群G(m,p,r-1)的一个完全的右陪集代表元集,这个结果为进一步研究G(m,p,r-1)在G(m,p,r)中的特异右陪集代表元集打下基础.

基于粗糙集和神经网络的柴油机转子振动故障模式识别

提出了一种基于粗糙集和神经网络的柴油机转子振动故障模式识别方法。针对传感器采集数据多、计算量大的缺点,提出了一种确定数据代表点集的方法。以代表点集表示原始数据,同时剔除了异常点。计算代表点集的小波包,提取振动信号能量特征。在对不同振动信号能量特征数据离散的基础上,对数据离散方法进行改进,针对数据结构特征确定了等频离散法与公平尺度法相结合的离散方法。最后以获取的简化规则为输入,利用BP神经网络进行故障诊断。将本文建立的故障诊断方法应用到柴油机转子振动系统中去,表明了该种方法的有效性。

一种基于代表参数的图聚类算法

图聚类是图数据管理领域中的一个重要问题。对于给定的图G,图聚类的目标是将图的顶点划分到不同的簇中。划分后,同一个簇中顶点间的连接较为紧密,而不同簇中顶点间连接较为松散。已有研究成果的共性问题是它们需要计算每两个顶点间的相似性,这需要浪费大量计算资源。基于上述问题,提出图聚类框架RPGC(Representative Parameter Graph Cluster)避免大量顶点间相似性的计算。RPGC使用历史聚类信息创建一组代表性强的参数集H。对于任意历史聚类参数h,RPGC可从代表参数集中找到与之相似程度较高的参数。当有新的聚类请求被提交时,RPGC可从H中找到与之相似程度高的代表参数,进而根据基于代表参数得到的聚类结果执行增量计算,实现图的高效聚类。利用大量真实数据集和合成数据集对RPGC的高效性进行了验证。

一种改进的压缩频繁模式挖掘算法

传统的频繁模式挖掘算法产出大量的频繁模式,这些大量的频繁模式对于后期的分析、处理以及理解都带来了相当大的挑战.针对上述问题,该文提出了一种改进的压缩频繁模式挖掘算法,该算法基于CFP-树通过对传统频繁模式挖掘算法的改进能够从大量的频繁模式中选择出规模更小的频繁模式代表集合,从而起到减小庞大的频繁模式挖掘结果规模的目的.实验中还将该算法和现有的RPlocal算法进行了对比,结果表明改进的压缩频繁模式挖掘算法能够在合理的时间及容错范围内获得更小的频繁模式代表集,同时大大降低了时间复杂度,提高了挖掘效率.

在线点到点数据传输优化选择模型及其算法设计

最优点到点数据传输线路不仅依赖于其固有的传输时间,还依赖于数据总量,因为数据规模决定了加工次数和传输次数。本文首先建立了在线点到点数据传输网络选择的优化模型,给出了有向路代表集的概念,然后给出了一个时间复杂性为O(m2logn)的算法产生有向路代表集。最后对静态和动态点到点数据传输有向路问题进行了研究,并给出了一个时间复杂性为O(m2logn)的多项式时间的算法。

在线multicast数据传输网络中的一个优化问题

首先建立了数据传输网络选择的最小成本模型,给出了有效支撑树代表集的概念,并给出了一个时间复杂性为 O(mlogen)的算法产生代表集。然后对静态数据传输问题和在线数据传输问题,分别给出了一个时间复杂性为 O(mlogen)和 O(m2+mlogen)的多项式时间的算法。

针对高维数据的马尔科夫毯特征选择

针对不满足忠实分布的高维数据分类问题,一种新的基于粒子群算法的马尔科夫毯特征选择方法被提出。它通过有效地提取相关特征和剔除冗余特征,能够产生更好的分类结果。在特征预处理阶段,该算法通过最大信息系数衡量标准对特征的相关度和冗余性进行分析得到类属性的马尔科夫毯代表集和次最优特征子集;在搜索评价阶段,采用新的适应度函数通过粒子群算法选出最优特征子集;用此模型对测试集进行预测。实验结果表明,该算法在12个数据集上具有一定的优势。

子群完备码

有限群G的子群H可作为群G凯莱图的完备码当且仅当H存在一个右(左)陪集代表系可作为群G的广义凯莱子集.从这一基本理论出发,本文从群论角度给出了子群可作为完备码的充要条件,得出了奇数阶群的正规子群,奇数阶的正规子群以及指数为奇数的正规子群均可作为凯莱图的完备码.对于偶数阶群的子群完备码,本文分别给出了广义四元数群和广义二面体群的子群可作为完备码的充要条件.

有限群的子群完备码

本文从子群双陪集的角度给出了有限群的一般子群可作为子群完备码的充要条件.在此基础上给出了拟二面体群中的所有子群完备码.

广义密度演化方程δ序列解法的误差分析

相比于差分法,δ序列解法是广义密度演化方程一种崭新且有效的数值解法。为进一步完善δ序列解法,该文对其误差进行了系统的分析。首先,通过引入δ序列逼近,将δ序列解法的误差分为两部分;其次,通过简单的数学变换和代换,并结合Taylor展开,给出了第1部分误差的上界估计,并探讨了其与非参数核密度估计法误差的联系与区别;然后,经过相似的推导,给出了第2部分误差估计的上界。基于上述误差估计,指出影响δ序列解法误差的因素主要包括δ函数序列的类型、参数λ的取值、代表点集的选取,为δ序列解法的参数研究奠定了理论基础。