概率对偶犹豫模糊交互融合算子及其在多属性决策中的应用

生产生活实践中的多属性决策问题往往充满了不确定性与模糊性,概率对偶犹豫模糊集作为模糊集的推广能够更全面准确地表达决策者提供的信息。另外,基于融合算子的多属性决策方法是常用的一种模糊决策方法。首先,在融合多个属性下的概率对偶犹豫模糊信息时隶属度与非隶属度会产生相互影响,提出概率对偶犹豫模糊交互运算法则并研究相关性质;其次,给出概率对偶犹豫模糊加权交互平均算子、加权交互几何算子及其性质;然后,建立基于概率对偶犹豫模糊交互融合算子的多属性决策方法;最后,通过一个实例验证提出的决策方法的有效性。

动力可靠度计算的概率简单叠加法则法

首先给出了基于计算单元失效域的重要抽样法和区域分解法的计算步骤,随后利用基于计算单元失效域的重要抽样法的思想,引入构成总失效域的由持时内的时间点划分出的单元失效域;利用区域分解法的思想,引入构成总失效域的互斥的单元失效域,最后根据两种单元失效域的关系和概率简单叠加法则计算总失效概率。其中关键问题是计算结构反应时单位脉冲响应函数的确定和落入各个互斥单元失效域的样本数的确定。算例的计算结果表明计算动力可靠度,尤其是高维输入随机变量条件下小失效概率时,概率简单叠加法则法对比Monte-Carlo法计算效率有显著提高,并同基于计算单元失效域的重要抽样法和区域分解法一样高效。

审计风险模型的演变及其概率论证明

审计风险模型的改进,无疑是审计技术方法的一大进步,为现代风险导向审计的发展提供了基础,也对民间审计产生了深远影响。本文基于概率论的有关知识对审计风险模型的科学性进行了论证,并为审计风险各要素的量化评估的研究提供了更为广阔的思路。

具可变输入率的M/M/n模型的常微分方程形式

针对实际中存在的排队现象:顾客在加入队列之前发现排队顾客较多而发生犹豫,从而因影响他加入队列的可能性。利用随机建模的全概率法则推导了具有可变输入率的M/M/n模型的常微分方程形式,为从理论上分析该模型动态解及其稳定性奠定了基础。

运动摄像机下快速提取运动目标的新方法

本文研究摄像机和目标同时运动情况下的实时目标提取问题。首先运用背景差方法,检测出静止摄像机下的运动区域,为了克服连通域分析法耗时长的不足,提出重心偏移迭代法快速获得感兴趣运动目标。在改进Camshift跟踪算法中,提出采用Bayesian概率法则在由Kalman滤波器预测的感兴趣区域(ROI)内获取颜色概率密度分布图像(CPDDI),引入即时背景(IB)以抑制背景特征。提出依据跟踪结果进行目标提取的方法,即结合CPDDI特征,并辅以适当的形态学滤波策略,从跟踪结果中提取出运动摄像机下的运动目标,解决目标被动态背景干扰的问题。实验结果表明,提出的算法能够较稳定和完整地提取出运动摄像机下的运动目标,对复杂动态背景的适应性较强,且算法完全达到了实时的运行速度。

基于概率简单叠加法则的动力可靠度高效计算方法

基于计算单元失效域的重要抽样法和区域分解法是计算高维输入随机变量条件下小失效概率的高效算法。该文在此基础上,首先利用基于计算单元失效域的重要抽样法的思想,引入构成总失效域的由持时内的时间点划分出的单元失效域,其次利用区域分解法的思想,引入构成总失效域互斥的单元失效域,最后根据两种单元失效域的关系和概率简单叠加法则,即可计算总失效概率。其中关键问题是计算结构反应时单位脉冲响应函数的确定和落入各个互斥单元失效域的样本数的确定。算例部分对受高斯白噪声激励作用的单自由度线性体系和多自由度线性体系,分别应用该文方法、基于计算单元失效域的重要抽样法和区域分解法进行了计算,并用Monte-Carlo法进行了验证,结果表明计算动力可靠度,尤其是小失效概率时,该文方法对比Monte-Carlo法计算效率有明显提高,并同基于计算单元失效域的重要抽样法和区域分解法一样高效。

对我国农业保险发展的冷思考

目前,农业保险新一轮试点在全国各地开展,虽显现良好发展势头但并不容乐观。农业保险发展缓慢、规模狭小、范围过窄,很难满足保险经营所依赖的大数法则的要求,农业风险分散机制极其脆弱。要积极发展农业保险,服务于社会主义新农村建设。必须通过建立完善的农业保险制度,变农民风险自担为向保险公司转变,变政府对农业灾害损失事后无偿救济为事前防范与灾后经济补偿,变保险业内分散风险为保险业与资本市场的整合,最终达到最大程度地分散风险与补偿损失。

A Developed Algorithm of Apriori Based on Association Analysis

A method for mining frequent itemsets by evaluating their probability of supports based on association analysis is presented. This paper obtains the probability of every 1\|itemset by scanning the database, then evaluates the probability of every 2\|itemset, every 3\|itemset, every k \|itemset from the frequent 1\|itemsets and gains all the candidate frequent itemsets. This paper also scans the database for verifying the support of the candidate frequent itemsets. Last, the frequent itemsets are mined. The method reduces a lot of time of scanning database and shortens the computation time of the algorithm.

故障树分析法及其应用

介绍了故障树分析法的基本原理及其应用实例，并利用C语言来解决可靠性问题。从切身实验中，获得了值得借鉴的经验。