基于Top-k映射的本体匹配方法

针对本体之间的异构问题,提出一种基于Top-k映射的本体匹配方法。该方法是对现有匹配方法的一种扩展,它以相似度计算为基础,从元素级和结构级计算2个概念之间的相似度,并在匹配过程中同时产生k个映射而不是一个最佳映射。实验结果表明,该算法在查全率和查准率方面都有很好的表现,并且其查准率要优于GLUE方法。

关于度量空间的cs映射与k映射

文章给出了局部可分度量空间的子序列覆盖cs映象、商cs映象的内在刻画,也给出了度量空间的伪序列覆盖k映象和子序列覆盖k映象的内在刻画,从而使得关于对度量空间的cs映射与k映射的研究更趋于完整。

关于序列K映射

给出了度量空间的序列Ｋ 映象以内在刻划。

度量空间的k－映射像

Ｅ．Ｈａｌｆａｒ（［６］）引入了ｋ－映射概念，本文给出了度量空间ｋ－映像的一个内在刻划，并由此得到一些度量化定理。

关于(K_1,K_2)-拟正则映射的一些注记

给出在Ω Rn(n≥ 2 )内的任一紧子集F上 (K1,K2 ) -拟正则映射的Lp 可积性与H lder连续性的估计式 ,推广了Bojarskietal之结果 ,并得到了 (K1,K2 ) -拟正则映射的几乎处处可微性 .

关于k商映射的注记

本文给出了度量空间的k商s映像的内在刻画,利用由确定的集族诱导的弱拓扑刻画了序列商映射和k商映射,并且讨论了几类弱拓扑之间的关系.

Agard的η偏差函数与k拟共形映射

研究了Agard的η偏差函数与k拟共形映射上(下)界的关系,应用Agard的η偏差函数的性质给出了k拟共形映射上(下)界的表达式;得到了交比在k拟共形映射下的偏差估计.

退化(K_1,K_2)拟正则映射的充分条件

研究了退化弱(k1,k2)拟正则映射的正则性.利用H lder不等式、Sobolev空间的空间分析方法,以及内插定理等工具,给出了退化弱(k1,k2)拟正则映射事实上为退化(k1,k2)拟正则映射的一个充分条件,其结果对非退化情形也成立.

K型Lipschitz映射非对称度量空间及其完备性

利用从非对称度量空间(X,d)到(R,dL)上的左K型Lipschitz映射和右K型Lipschitz映射构造了两类非对称度量空间,并分别证明了其上完备性和下完备性.

(K1(x)，K2(x))-有限伸张映射

该文首先给出(K_1(x),K_2(x))-有限伸张映射的定义,然后研究其自我提高的可积性性质.最后利用Caccioppoli型不等式得到可去奇异性结果.

半(F,K)-凸映射的几点性质

给出实向量空间中半(F,K)-凸映射的概念,并对这类映射的若干基本性质进行了讨论.

(F,K)-预不变凸映射的若干性质

给出实向量空间中(F,K)-预不变凸映射的概念,并对这类映射的若干基本性质进行了讨论.

(F,K)-预不变凸映射的若干性质

本文在E-不变凸映射的基础上,通过对其定义及性质的研究,给出了实向量空间中(F,K)-预不变凸映射的概念,并对这类映射的若干基本性质进行了讨论。

度量空间的弱k映象

给出了度量空间的弱k映射的定义，由此证明了X具有σ紧有限的CS^＋网当且仅当X是度量空间诱导序列商弱k象；X具有σ紧有限的CS网当且仅当X是度量空间诱导序列覆盖弱k象；X具有σ紧有限的序列邻域网当且仅当X是度量空间诱导1序列覆盖弱k象．

抽象凸空间上类K的性质及聚合不动点定理

给出抽象凸空间上映射类K的两个性质,利用已知抽象凸空间上的重叠点定理讨论抽象凸空间上映射的不动点存在问题,得到了若干新的不动点定理,同时进一步给出了抽象凸空间族的乘积空间上映射族的聚合不动点定理.

带有脉冲的中立型Lotka-Volterra系统正周期解的存在性

研究了一类具有脉冲的中立型Lotka-Volterra系统,利用k集压缩不动点定理和脉冲微分方程理论,得到系统正周期解的存在性准则.

k道路连通空间

本文给出k连续映射和k道路连通性的定义,讨论k连续映射等价刻画和性质,证明了k连续满映射保持k连通性和k道路连通性,进而研究k道路连通性的基本性质,证明了k道路连通性是k连通的,k道路连通性是同胚不变性和有限可积;最后讨论k道路连通分支。

弱(L_1,L_2)-BLD映射的正则性

本文首先将文［１］中的ＢＬＤ映射推广为弱（Ｌ１，Ｌ２）－ＢＬＤ映射，并证明了如下正则性结果：存在两个可积指数 Ｐ１＝Ｐ１（ｎ，Ｌ１，Ｌ２）＜ｎ＜ｑ１＝ｑ１（ｎ，Ｌ１，Ｌ２），使得对任意弱（Ｌ１，Ｌ２）－ＢＬＤ映射ｆ∈（Ω，Ｒｎ），都有ｆ∈（Ω，Ｒｎ），即ｆ为（Ｌ１，Ｌ２）－ＢＬＤ映射．

基于映射距离比离群因子的离群点检测算法

针对基于邻近性的离群点检测方法需要花费大量时间过滤正常点,并且在检测全局离群点时难以检测出局部离群点的问题,提出一种基于映射距离比离群因子离群点检测(MDROF)算法。首先,为了减少正常点在检测过程中的时间消耗,给出了差异相似度的概念,通过定义差异相似度剪枝因子过滤掉数据集中的大部分正常点。其次,定义映射k距离,通过映射距离与可达距离的比值刻画数据对象的局部离群程度,通过可达密度刻画数据对象的全局离群程度。最后,结合数据对象相互近邻点的平均排位定义映射距离比离群因子来检测离群点。在人工数据集以及真实数据集上分别对该算法与其他经典的离群点检测算法在精确率、AUC值和离群点发现曲线上进行实验对比分析。实验结果证明MDROF算法在离群点检测的准确性和稳定性上明显优于对比算法。

关于 Beltrami 方程组的很弱解

从考虑向量值函数的每一个分量出发，将Ｂｅｌｔｒａｍｉ方程组转化为一类散度型椭圆组；从而来建立Ｂｅｌｔｒａｍｉ方程组很弱解的正则性：存在可积指数ｒ１和ｒ２，１＜ｒ１＜ｎ＜ｒ２＜∞，使得方程组在低于自然可积指数Ｓｏｂｏｌｅｖ空间Ｗ１，ｒ１ｌｏｃ（Ω，Ｒｎ）中的很弱解，都属于空间Ｗ１，ｒ２ｌｏｃ（Ω，Ｒｎ）。