F格上的度量问题–第二类度量

本文研究了点式一类度量-第二类度量, 通过O2 − nbd映射簇对它进行了刻画,并进一步证明了它的诱导拓扑和它的余拓扑是一致的。另外,我们还证明了第二类度量是Q − CI的,最后,证明了L−实直线R(L)满足第二类度量和它的几个球映射的关系。

适应风电场宽频振荡研究的模糊度量层次聚类法

为助力“双碳”目标实现,推动风电产业发展,研究并治理风电场并网宽频振荡问题迫在眉睫。为建立适用于风电场振荡研究且能准确高效反映实际风电场输出特性的仿真模型,提出基于模糊度量的层次聚类法,改善传统综合层次聚类算法使用距离度量造成的聚类结果偏移。利用F检验法定量评价聚类效果,横向比较F评分确定最优聚类方案,纵向比较确定最优聚类分群数。评价结果表明,模糊度量层次聚类法的聚类效果良好。最后采用PSCAD结合青海省海南新能源基地风电场实例进行了仿真分析,验证了模糊度量层次聚类法对风电场聚类的适用性。

一类金融风险度量模型的探讨

针对当前全球面临的金融危机,本文较系统地研究了常用的两类度量金融风险的模型,比较了两者之间的差异,它们均可拟合同类的金融时间序列,但生成机理、应用效果不同。

一种基于UML的类复杂性度量方法

一、简介 自从面向对象的分析与设计方法问世以来,由于其拥有众多的优点,已经得到了广泛的应用.面向对象的分析与设计方法与传统的软件开发方法有许多不同之处,在软件开发过程、分析与设计技术、度量以及测试和维护方面都存在很大的差异.软件产品的度量一直是软件工程研究人员研究的一个热点问题.对软件产品进行度量可以让我们对项目开发的进度,开发成本等方面有一个定量的认识.软件产品复杂性的度量是软件度量的一个重要方面,它直接关系到软件开发费用的多少,开发周期的长短和软件内部潜伏错误的多少,同时它还间接度量了软件产品的可理解性.

基于全距离完全度量聚类的交通运输能耗区域划分

对全国进行区域划分,是研究大范围、有地域特征交通运输能耗问题的基础.首先以行政区域为单位,建立了交通运输业发展、交通能源消耗、社会经济发展三大类交通运输能耗综合指标体系.在确定省市间距离和邻接关系矩阵后,生成本文研究区域的交通运输能耗邻接关系网络图,依据邻接关系及全距离完全度量方法,建立研究区域的交通运输能源消耗省域间最小生成树.以研究区域总同质度最大为目标对最小生成树进行截断,划分了5个交通运输能源消耗区域,分析了各个区域的交通能耗特点,提出了初步的政策建议.

基于空间注意力和类协方差度量的小样本学习

近年来,小样本学习逐渐被学术界广泛研究,其旨在使模型在给定样本较少的情况下完成一系列任务。目前基于度量学习的元学习算法被广泛应用于小样本学习中,本文利用度量学习的思想,对基准元度量学习算法原型网络进行改进,提出了注意力类协方差原型网络。首先,为增加模型的泛化能力,提出IBN-Resnet12作为特征提取器;接着,在特征提取模块后加入了空间注意力模块,有效地增强了局部特征;最后提出类协方差度量作为最终的度量分类器,完成了对图像特征维度间相关性的建模。本文在小样本学习经典数据集上进行实验,证明了模型的有效性;同时还进行了大量消融实验,证明了模型改进中各个部分的有效性。

基于最小生成树的超度量聚类的若干金融案例分析

本文介绍了基于最小生成树的超度量聚类方法,并应用该方法做了两个案例:一是对2007-2008年全球金融危机中世界主要国家的股指进行了实证分析,揭示了金融危机在全球传递的特征和全球股市的内在结构;二是对股指期货上市前后的中国期货市场交易品种进行了实证分析,揭示了期货市场的内在结构。

论度量衡类词意义的同步引申

度量衡类词包括度、揣、揆、测、量、概、衡、铨、权、称、程、料等12个。此外,跟度量衡密切相关的词有掂、估、计、算等4个。这16个词都同步引申为"估测"义。由这类词组成的双音节复合词有不少为现代汉语所继承。

具有标准类丛度量的调和叶层

本文研究了单位球上具有标准类丛度量的调和叶层，得到这种叶层成为全测地叶层的一个充分条件。

面向对外汉语教学的度量类形容词研究

形容词在汉语词类体系中的地位毋庸置疑,语言学界对形容词的研究不断深入,力求从多方面对其进行探索和分析。形容词根据不同的标准可分出不同的小类,其中有一类形容词可用来表示事物的度量,如大、小、高、低等,我们称为度量类形容词;这类词的语法、语义、语用等都值得我们研究,同时可以为对外汉语形容词教学提供一些新的思路。

基于距离度量法聚类的无线网络路由优化系统

配置无线网络路由时,研究人员缺乏对实际能量剩余情况的分析,导致网络的传输性能较低,因此提出基于距离度量法聚类的无线网络路由优化系统研究。首先,将RT-FK1-M现场总线光纤中继器作为系统的硬件装置,为网络节点的调整和组网拓扑结构功能的设置提供可靠的基础条件。其次,在软件设计阶段,利用距离度量的方式对无线网络路由节点进行聚类处理,充分考虑了在实际的网络运行过程中网络节点的不可移动属性特征。最后,根据节点剩余能量,结合能量系数、质心系数、距离系数之间的协同关系,对路由能量进行优化配置。测试结果表明,设计系统下对应的网络在负载强度为300 Mb/s时的吞吐量和丢包率分别为98.26 Mb/s和4.54%,具有较高的传输性能。

一种量子聚类的改进算法

介绍了量子势能、量子力学中粒子的分布机制和量子聚类算法,给出了量子聚类QC算法的物理理论根据,指出了量子聚类算法的优点和不足,提出了一种基于度量距离改变的量子聚类算法DQC,该算法对IRIS样本的聚类准确率比QC算法高出了8个百分点,实验结果证明了该算法的有效性。

分类属性数据量子聚类算法的改进

分析量子势能、量子力学中粒子分布机制和分类属性数据的量子聚类CQC(Categorical Quantum Clustering)算法。针对CQC算法存在的聚类效果对聚类度量尺度β较敏感,而β的选取往往凭经验确定没有通用原则,以及对线性可分数据聚类效果显著,但对线性不可分数据不能奏效等问题,通过引入新的相异性度量测度及聚类度量尺度步长βstep,重新定义紧致性指标ICD,提出一种改进的ICQC算法。该算法首先在不同粒度水平上划分数据样本产生初始类(簇),之后采用聚类中心间相异性测度最近邻方法合并初始类(簇)完成聚类。通过与CQC算法的实验比较,证明该算法具有更高的聚类效能,在CQC算法失效的情况下,也能获得良好的聚类效果。

一种基于量子机制的分类属性数据层次聚类算法

受物理学中量子机制特性的启发,结合层次凝聚思想,通过引入新的相异性度量测度以及聚类度量尺度步长sβtep概念,重新定义以紧致性指标AIAD和离散性指标AIED为基础的聚类有效性函数CVF,提出一种针对分类属性数据的基于量子机制层次聚类算法CQHC.该算法首先在不同粒度水平上划分数据样本产生初始类(簇),然后以聚类有效性函数CVF为评价标准,动态地合并初始类(簇)完成聚类.仿真实验采用2个真实数据集,即:线性可分的大豆疾病样本数据集和线性不可分的动物园数据集.实验结果表明,该算法与已有的其他几个算法相比,不仅具有更高的聚类准确率,而且能够准确地检测出最佳类别数,是有效且可行的.

基于特征空间中类间可分性的层次型多类支撑向量机

针对支撑向量机的特点提出了一种特征空间中的类间可分性度量 ,并基于该度量通过聚类算法构造了二叉树和单层聚类两种层次型多类支撑向量机。通过多光谱遥感影像的分类实验证明了该可分性度量的有效性。

非度量属性特征的典型性与比喻句的形成

“异质性”不是比喻的构成条件。如果以度量类属性为比较点,即使不同类,也不能构成比喻;而当作比一方在作为比较点的非度量类属性上具有典型特征时,即使两事物同类也可以构成比喻。因此,非度量类属性特征的典型性才是比喻形成的前提条件。

改进的基于平衡二叉决策树的SVM多分类算法

基于平衡二叉决策树的支持向量机多分类算法的难点在于构造一棵有效的平衡二叉决策树.为构造有效的平衡二叉决策树,提出一种新的类间距离度量方案,进一步,引入类间可分性以及分离因子的概念,构建了一种新的建树方案,该建树方案从包含所有类的类簇中逐步分离出分离因子最大的类到另外一个类簇,最终形成两个类别数相等的类簇,接着分别递归分解各个类簇,直到各类簇的类别数为1.对照实验表明在训练时间以及识别时间复杂度保持不变的情况下,采用该改进建树方案可有效地提高SVM多分类的识别准确率.

一种基于SVM的多类文本二叉树分类算法

二叉树支持向量机是解决多类分类问题的算法之一,在目前多类分类算法中总体性能较优,但仍存在分类速度及分类精度不高等缺点。针对这些缺点,论文对二叉树支持向量机算法在二叉树结构及分类顺序两个方面进行改进,提出了基于类间相似度量数的二叉树构造算法。实验结果表明,论文算法具有更高的分类速度和准确度,能更好地解决多类分类问题。

基于DAE和改进RFKM的负荷数据精准特征提取与标签定义

针对目前配电网用户负荷数据高维度时序数据特征提取难、交叉数据聚类处理难、负荷数据精准标签化难等问题,文章提出面向用户负荷数据的基于降噪自编码器和改进粗糙模糊K均值的特征提取与标签定义模型(feature extraction and label definition model based on DAE and improve RFKM,FLMbD-iR)。FLMbD-iR通过降噪自编码器对原始用户负荷数据进行深度特征提取后,利用基于类簇规模不均衡度量的粗糙模糊K均值进行聚类,处理聚类中簇间交叉数据存在误差的缺陷,最后构建描述指标对典型日负荷曲线进行标签定义。实验采用美国电力负荷数据进行仿真模拟,实验结果显示本方法在用户负荷数据聚类处理上效果显著。

基于类簇规模不均衡度量的粗糙模糊K-means聚类算法

粗糙模糊K-means (RFKM)聚类综合利用了粗糙集和模糊集的优势互补,是一种有效的聚类分析算法,但现有的RFKM算法大多只考虑了簇内样本空间分布的模糊度量,忽略了类簇规模的不均衡特征对聚类结果的影响,对类簇规模不均衡的数据集进行聚类分析时,适应性较差.为了能够从算法层面直接对类簇规模不均衡的数据集有效地进行聚类分析,引入了对类簇规模不均衡程度的自适应度量,并提出了一种基于类簇规模不均衡度量的粗糙模糊K-means聚类算法.通过人工数据集和UCI标准数据集验证了算法的有效性.