带单调约束的关联规则挖掘

在对单调约束的概念性质进行分析的基础上,提出了单调基础项集概念,并将其应用到Apriori算法中,同时也结合反单调约束,实现了一个带单调约束的关联规则的挖掘算法MCA,该算法提高了效率。

大数据环境下最小单调约束闭包Hadoop并行关联规则

针对传统关联规则算法存在较大规则冗余问题,提出基于最小单调约束闭包Hadoop并行化关联规则。首先,基于闭包算子约束规则等价关系集,给出了满足最小单调约束规则集,可有效地将约束规则集划分为不相交的等价规则类,降低冗余规则比率;其次针对大数据问题,采用Hadoop框架下Mapreduce并行计算模型,实现最小单调约束闭包关联规则的并行化计算,有效地提升算法对于大数据处理的可拓展性;最后通过在标准测试集上的实验对比,显示了所提算法的有效性。

简单单调约束逻辑程序的良基语义研究

在介绍约束逻辑程序的相关概念的基础上,研究了简单单调约束逻辑程序约束原子的正文字前缀幂集展开方法,并证明展开后的正规逻辑约束与约束逻辑程序的等价特性。分析了正规逻辑程序的交替不动点良基模型建立的原理,将简单单调约束逻辑程序等价展开为与其等价的正规逻辑程序,以求展开后的逻辑程序中的给定算子的最小不动点为切入,给出了简单单调约束逻辑程序的交替不动点的良基模型。论证了文中提出的简单单调约束逻辑程序良基模型定义的合理性,说明把约束逻辑程序转化为正规逻辑程序是可行的。

单调约束回归分析及技术进步评估

这是作者在美国德州大学进修期间所作的研究工作的一部分,文中提出单调约束回归分析方法。该方法可用于评价、预测以一定趋势发展的未知社会经济因素。文中给出用该方法对技术进步的定量化评估的一种模型,并给出对美国249个大公司1968—1987年的技术进步的定量化评估的实例。

单调约束的TSK模糊系统模型

TSK(Takagi-Sugeno-Kang)模糊系统已被广泛应用于回归、分类和决策等方面,并展现出了良好的精度和可解释性,但是对于存在单调数据的建模场景,TSK模糊系统的建模效果还不够理想。针对此,提出了一个新颖的单调TSK模糊系统(MC-TSK)。通过在原始的TSK模糊系统模型上添加单调约束使MC-TSK满足单调性。MC-TSK不要求特征和输出之间存在的单调关系是一致的,这放宽了用于处理单调分类问题时大多数现有方法中使用的一致单调性的假设。较广泛的实验结果表明,与已有的处理单调分类的方法相比,MC-TSK具有更好的分类性能并且保持了可解释性等方面的特点。

含单调约束的广义回归估计量

传统广义回归估计量的假设是域与域相互独立。实践中,域值通常呈现特定的顺序和形状,使得域间变量的相关性广泛存在。例如,给定地区,信息传输、计算及服务和软件业、金融业等服务业较纺织业、农副产品加工业等制造业的行业内学历为本科及以上的人员占比、行业平均工资等更高。域间相关性的充分利用有助于提高传统广义回归估计量的精度。对此,在辅助变量域值和目标变量域值变化趋势一致的情况下,首先,引入广义回归估计量的保序回归,构建含单调约束的广义回归估计量,满足目标变量和辅助变量的单调性约束。其次,证明了含单调约束的广义回归估计量在一定条件下具有一致性,均方误差更小。最后,利用数值模拟验证含单调约束的广义回归估计量的估计效果。结果显示,在目标变量域值和辅助变量域值变化趋势一致的情况下,含单调约束的广义回归估计量较传统广义回归估计量,估计精度更高。实证部分采用中国健康与营养调查数据进行分析,进一步说明在对多个域进行估计的情况下,考虑域间相关性的影响,采用含单调约束的广义回归估计量,估计效果更好。

基于单调性约束的离散贝叶斯网络参数学习

针对小样本条件下的离散贝叶斯网络参数学习问题,提出一种基于单调性约束的学习算法。首先,给出了单调性约束的数学模型,以表达定性的先验信息;然后,将单调性约束以狄利克雷先验的形式集成到贝叶斯估计中,并利用贝叶斯估计进行参数学习;最后,通过仿真实验与最大似然估计和保序回归方法进行比较。实验结果表明,在小样本条件下,所提算法在准确性上优于最大似然估计和保序回归,但时效性介于二者之间。

非结构网格划分的喷管流场计算中单调性约束条件的研究

提出了一种限制网格单元内梯度值大小的单调性约束条件 ,以减少间断附近数值解的振荡。这一约束条件在算法上具有易于实现的优点 ,因此能够很方便地用于非结构网格划分的流场计算中。文中给出了二阶Godunov格式使用这一约束条件之后 ,求解喷管流场得到的数值计算结果 ,可以看出 。

基于单调约束的径向基函数神经网络模型

径向基函数(radial basis function,RBF)神经网络是一种高效的前馈式神经网络。它结构简单,具有良好的泛化能力,已经被广泛的应用于数据分类中。但是对于一些特殊的分类场景,如单调数据场景,神经网络还未充分发挥其潜能。针对此,提出单调径向基函数神经网络(monotonic radial basis function neural network,MC-RBF)。MC-RBF引入Tikhonov正则化方法确保优化问题解的唯一性与有界性。试验结果表明,在处理具有单调性的数据集时,MC-RBF比原始的RBF神经网络具有更好的分类性能。

一类单调非凸约束最优规划修正的新型分枝定界算法

本文讨论了一类单调非凸约束最优规划的目标函数和约束集的结构特征性质.阐明了如何将所考虑的问题等价地转化为一个递增函数在另一个递增函数水平集上的极大优化问题.在此基础上提出了一个我们称之为修正的新型分枝定界算法.新算法的修正之处是在计算新的极点时,采用了一个有效的新的区域删除模式以构造越来越小的Polyblock集覆盖EnH且不含y,以排除问题(P)可行域中不存在全局ε-最优解的部分.最后,证明了算法的收敛性.初步的数值实验表明算法是有效可行的,可应用于求解更广的一类非凸最优规划.

融合专家先验知识和单调性约束的贝叶斯网络参数学习方法

针对小样本集条件下的贝叶斯网络参数学习问题,提出一种融合专家先验知识和单调性约束的贝叶斯网络参数学习方法。该方法通过将专家先验知识以正态分布形式融入单调性约束的贝叶斯网络参数学习过程,进一步提高了小样本集条件下贝叶斯网络参数学习的精度和稳定性。在小样本集条件下进行仿真实验,结果表明,与其他3种主要方法相比,所提方法平均(Kullback-Leibler,KL)散度大幅降低,运行时间高于其余3种方法。综合考虑学习精度和运行时间,所提方法优于其他3种方法。将所提方法应用于燃气轮机健康状态评估,评估结果与实际状态一致,验证了方法的有效性。

不确定数据的约束频繁闭项集挖掘算法

针对当前数据挖掘方法没有考虑客观条件制约以及个人不同需求的问题,在不确定数据的频繁闭项集挖掘算法中加入简洁性约束条件,基于正态分布模型分别研究了在简洁反单调约束和简洁非反单调约束下,对不确定数据库进行频繁闭项集挖掘的方法,并给出了实例证明挖掘算法的可行性.

基于约束的不确定数据频繁项集挖掘算法研究

针对基于约束的不确定数据频繁项的经典挖掘算法——U-FPS算法的不足,提出了适用于基于约束的不确定数据的新算法——UC-Eclat挖掘算法。该算法不需要构建频繁模式树,而采用了数据库垂直模式求交集的方式来计算支持度的方法,提高了挖掘效率。

单调条件下部分线性回归模型的估计及渐进性质

探讨了部分线性回归模型当非参数分量受到单调条件限制时的估计问题,利用惩罚局部线性核估计方法给出参数分量与非参数分量αRLS、gRLS的估计,并进一步研究了^αRLS及^gRLS的渐进性质,结果表明:新得到的非参数约束条件下的估计是a.s.收敛的,并且保证了单调性和边界点适应性。将问题推广到一般情况,探讨了部分线性回归模型当非参数分量受到高阶导数约束时,参数分量的估计^αRLS。

一种多约束关联挖掘算法

约束关联挖掘是在把项或项集限制在用户给定的某一条件或多个条件下的关联挖掘,是一种重要的关联挖掘类型,在现实中有着不少的应用。但由于大多数算法处理的约束条件类型单一,提出一种多约束关联挖掘算法。该算法以FP-growth为基础,创建项集的条件数据库。利用非单调性和单调性约束的性质,采用多种剪枝策略,快速寻找约束点。实验证明,该算法能有效地挖掘多约束条件下的关联规则,且可扩展性能很好。

基于约束的交互式频繁模式挖掘算法

频繁模式挖掘是数据挖掘领域中很重要的一部分.目前,出现了许多基于约束的频繁模式挖掘算法和交互式算法,但把两者结合起来的算法却很少.提出了一种基于约束的交互式频繁模式挖掘算法IMCFP(interactive mining of constraint-based frequent patterns).首先该算法按照约束的性质来建立频繁模式树,并且只需扫描一遍数据库;然后建立每个项的条件树,挖掘以该项为前缀的最大频繁模式,并用最大频繁模式树来存储;最后根据最大模式来找出所有的支持度明确的频繁模式.另外,该算法允许用户在挖掘过程中动态地改变约束.实验表明,该算法与iCFP算法相比是很有效的.

基于约束的序列模式关联规则挖掘算法

约束关联规则是数据挖掘的一个主要方向,可以根据用户给定的约束条件针对性的挖掘.目前大多数的研究都集中在约束频繁项集挖掘方面,很少进行序列模式的约束关联挖掘.本文把序列模式和约束进行结合,提出一种基于约束的序列模式关联规则挖掘算法.它同时处理两类约束:反单调性约束和单调性约束.可以根据约束条件挖掘数据间的因果关联关系.通过实验验证,该算法在运行效率上达到了较好效果.

基于信仰推断的电子设备可靠性增长数据分析

可靠性增长是可靠性工程的重要方面,但针对工程中普遍存在的各阶段小样本试验数据,基本上还没有有效的分析方法.为此,首先研究推广了参数受限制的Fiducial方法,而对于非位置-刻度簇分布,使用规范化的似然方法进行推广,并指出采用Fiducial方法得到的评估结果具有很好的频率性质;然后在顺序单调约束的可靠性增长模型下,使用参数受限制的Fiducial方法研究了电子产品的可靠性评估方法,具体给出了故障可观测情形和区间数据情形下电子产品失效率的置信上限.

一些类型的数学规划问题的全局最优解(英文)

本文对严格单调函数给出了几个凸化和凹化的方法,利用这些方法可将一个严格单调的规划问题转化为一个等价的标准D.C.规划或凹极小问题.本文还对只有一个严格单调的约束的非单调规划问题给出了目标函数的一个凸化和凹化方法,利用这些方法可将只有一个严格单调约束的非单调规划问题转化为一个等价的凹极小问题。再利用已有的关于D.C.规划和凹极小的算法,可以求得原问题的全局最优解.

某型光电探测系统可靠性增长评估

光电探测系统研制阶段的试验数据具有小样本特征,针对传统的可靠性评估结果偏保守的问题,基于单调约束模型,通过综合利用光电探测系统多阶段试验数据进行可靠性评估,以达到精确评估的目的。考虑将研制过程中不同试验阶段数据中包含的可靠性增长信息作为约束条件,推导出可靠度分布函数表达式,并给出一种等效的统计抽样计算方法——Monte Carlo模拟算法,使计算过程更加简便,便于工程应用。最后以某型光电探测系统为例,表明利用可靠性增长信息进行可靠性评估,可有效提高评估的精度。