■-残缺数据与■-残缺数据圆特征—应用

Fˉ-残缺数据是由Fˉ-数据(x)Fˉ与损失数据(x)-构成的数据对((x)Fˉ,(x)-),((x)Fˉ,(x)-)具有内-动态特性,应用于一类具有数据元减少特征的信息系统。基于Fˉ-残缺数据可视化问题,应用Fˉ-残缺数据提出Fˉ-残缺数据圆概念,讨论Fˉ-残缺数据辨识与恢复的几何方法。给出Fˉ-残缺数据圆位置关系定理,Fˉ-残缺数据的Fˉ-残缺数据圆辨识定理与辨识准则;给出Fˉ-残缺数据的Fˉ-残缺数据圆恢复定理,并给出应用。Fˉ-残缺数据圆是由数据圆OFˉ,O-构成的数据圆对(OFˉ,O-),Fˉ-残缺数据圆为研究Fˉ-残缺数据提供了一种几何方法。

外-残缺数据的生成-辨识

P-集合具有动态特性,它是研究动态信息系统的一个新的数学工具。利用P-集合结构中的外P-集合与F-元素补充集合,给出外-残缺数据与外-残缺数据圆的概念。外-残缺数据是由(x)F与(x)+构成的一个数据对((x)F,(x)+);外-残缺数据圆是由数据圆OF与O+构成的一个数据圆对(OF,O+)。利用外-残缺数据与外-残缺数据圆讨论外-残缺数据的生成与辨识,给出相关定理与外-残缺数据辨识准则,及外-残缺数据辨识的应用。

基于RBF神经网络的三维残缺数据修补算法

提出了一种基于径向基函数(RBF)神经网络的修补方法,该方法首先通过人工介入法在残缺数据的边界附近获取样本点集,并以其最小二乘拟合平面为基础建立局部坐标系;其次,在此局部坐标系下,将训练后的RBF神经网络仿真曲面用于残缺区域数据点重采;最后,将重采点集通过坐标反变换后,替代原始点云数据中的样本点集。对真实残缺数据进行修补实验,结果表明效果良好。

三维残缺数据的神经网络修补方法

针对常用的三坐标测量设备在对物体表面采样时造成的局部区域数据残缺问题,提出了一种三维残缺数据的多层感知器神经网络修补方法。该方法首先用矩形框在残缺数据的边界附近获取样本点集,并以其最小二乘拟合平面为基础建立局部坐标系;然后,在此局部坐标系下,将训练后的MLP网络仿真曲面用于残缺区域数据点重采;最后,将重采点集经坐标反变换后去替代原始点云数据中的样本点集。仿真和真实残缺数据的修补实验结果表明,此方法具有较高的修补效率和精度,可获得满意的修补效果。

残缺数据的论文名次及评委水平的评判与逆判

先对论文水平以及评委这两个因素进行双因素方差分析,结果显示出了论文水平具有显著性差异,而评委的水平无显著性差异.进一步通过引入相关度的概念对残缺的评分矩阵进行补缺,建立了以相容性为基准的最优决策向量的数学模型,给出了该模型求解的迭代算法,对论文名次以及评委的水平进行了评判与逆判.通过计算机模拟,验证明了该算法的收敛性以及模型所建立的方法的优良性.

残缺数据下动态随机算法及应用

针对指标数据残缺的动态评价问题,提出了一种基于残缺数据的动态随机算法。首先依据时间维度上的分布情况将残缺值分为两类:离散型与连续型,并提出了对应的补足方法;然后在数据补足完整的基础上,利用随机模拟技术,计算优胜度矩阵,并推导出被评价对象之间的可能性排序。该算法避免了评价对象之间排序的绝对性,在对实际问题的解释方面具有较大弹性。最后,通过一个算例对该算法进行详细说明。

基于神经网络的点云残缺数据修补方法

针对常用的三坐标测量设备在对物体表面采样时造成的局部区域数据残缺问题,提出并试验了一种三维残缺数据的BP神经网络修补方法。该方法首先人裁出一小片数据,然后框选出残缺数据边界附近的样本点集,并加以训练;最后,在给出残缺数据映射于xoy平面的xy坐标情况下,把训练后的BP网络用于残缺区域数据点z值的预测;根据预测值和真实残缺值的对比实验分析表明,此方法具有较高的修补效率和精度,可获得满意的修补效果。

残缺数据环境下数字化主模型构建方法的研究与实践

本文介绍了在残缺数据环境下的数字化主模型构建方法,阐述了常见残缺数据问题的种类和解决策略,并将其具体应用到轿车车门的设计中,分析了计算机辅助车身造型中的车身曲线、曲面的特点。

残缺数据型决策中的逆判方法及应用

研究基于残缺数据的排序决策中的逆判问题.在双因素方差分析和对数据进行可比化处理的基础上,结合样本信息改进传统特征根法确定专家权重的模型,进行方案实现分析.对比于传统排序方法,该方法考虑更多的因素影响,增强了决策科学性,增大了样本的分辨率,对专家的逆判结果更接近实际情况.为高缺失率的数据型决策中的逆判问题提供了一种有效的分析方法,但该算法的收敛性有待进一步改进.

残缺数据环境下的轿车车门三维数模构建方法的研究与实践

介绍了在残缺数据环境下的轿车车门三维数模构建方法 .重点阐述了常见的残缺数据的种类及其解决策略 ,并将其具体应用到轿车车门的设计中去 ,同时对计算机辅助车身造型中的车身曲线。

可扩展机器学习中残缺数据补全方法研究

现代社会中的各行各业都在广泛运用互联网的相关技术,最具代表性的便是网络大数据的搜集、处理、储存以及输出反馈工作。现对可扩展机器学习中的残缺数据进行补全方法的相关研究。通过对残缺数据补全方法的设计,可以发现数据残缺问题的出现主要是由数据属性残缺所导致的。通过对数据属性相关算法的设计,可以有效完成残缺数据的补全工作。通过对残缺数据补全方法的实验论证,可以发现G-G估算法对残缺数据的补全有重大实践意义。

基于Geomagic Design Direct的残缺数据实体重构

面向实物的逆向工程技术是近几年来研究和发展的热点,已广泛应用于产品设计、文物保护和零件修复等领域。报告了对模型的残缺表面数据进行曲面和实体重构的研究现状,以及结合正向和逆向建模软件进行实体模型重构的局限性。介绍了应用软件Geomagic Design Direct进行实体模型重构的优势以及对残缺表面数据实体模型重构的一般流程。提出了基于软件Geomagic Design Direct的特征识别与提取功能,对残缺表面数据进行实体重构的解决方案,并以某一零部件的残缺表面数据为例进行实体重构验证了该方案的可行性和便利性。

生产调度中残缺数据检查软件的研制

介绍了数据完备性检查模块的一个具体实现 ,即开发有实际应用前景的残缺数据检查软件。通过该软件对某企业生产调度的数据实验 ,表现出较高的完备性检查和纠错能力 ,达到了较好的效果。

基于跨区域差异残缺数据分析的数据补齐方法

提出了基于支持向量机以及量化容差关系的数据补齐模型,针对不同区域数据塑造差异残缺数据的支持向量机预测模型,实现对跨区域差异残缺数据的预测,采用RBF神经网络修补残缺数据,通过基于量化容差关系的残缺数据补齐方法对残缺数据进行深度补齐,实现对跨区域差异残缺数据的进一步优化。实验结果显示了该种方法进行的跨区域差异残缺数据补齐效果优于传统方法。该种方法具有较高的补齐准确率,可获得满意的修补效果。

残缺数据的指数平滑模型

在实际的预测工作中,搜集到的数据,通常不是等时间间距的而是残缺的,怎样利用这种不完整的数据,是预测工作中的难题。本文分析了残缺数据对预测精度的影响并就如何有效地利用MAGNE模型进行了论述。

F-残缺数据的辨识与恢复

利用P-集合结构中的内P-集合与F-元素删除集合,给出F-残缺数据的概念,它是由(x)F-与(x)-构成的一个数据对((x)F-,(x)-)。由F-残缺数据,给出F-残缺数据的生成与F-残缺度。利用这些结果,给出F-残缺数据的关系定理,F--残缺度定理,F-残缺数据的辨识定理,F-残缺数据的恢复定理,并给出F-残缺数据的应用。

一种数据集数据残缺的模糊聚类模型

从加权广义欧氏权距离平方和最小概念出发,在循环迭代模糊聚类算法的基础上提出一种数据集指标值残缺的模糊聚类模型,示例分析了不同数据集在不同残缺程度下的聚类效果,拓展了模糊聚类算法应用领域。

残缺数据影响下的运输量预测方法研究

本文通过分析交通运输行业统计残缺数据的产生原因,针对传统残缺数据处理方法及其存在的问题进行改进。选择神经网络组合模型开展预测方法研究,并利用实例对该方法进行验证。

一种数据残缺时的三星时差定位目标跟踪算法

三星座时差定位是一个非线性定位问题,利用定位点进行跟踪得到目标航迹的方法具有一定的局限性。给出了能够适应大量时差数据残缺情况的基于EKF的目标航迹跟踪算法,仿真分析表明该算法在大量时差数据残缺时具有比前者更好的性能,有效地解决了工程问题。