数据三权分置的权利结构和规则设置——权利块解构路径初探

数据三权分置理念下的权利结构设计,是当下数据权利保护法律制度构建中的首要问题。以数据目的标准进行数据客体的分类,能够规避数据权利的主体归属问题,降低多元主体的权利主张冲突。在规范目的上,数据赋权不仅应当强调流通利用,还要重点维系涉及个人隐私、商业秘密和国家秘密等数据的保密状态,并规制数据独裁。鉴于此,数据权利应以权利模块化理论为分析进路展开。在非公共数据模块中存在数据资源持有权、数据加工使用权和数据产品经营权;公共数据模块则以数据加工使用权、数据产品运营权和数据安全保障权而分置;在规则设置上,权利块之间的互动规则具有类型化的潜力,权利块与任何非数据权利主体的互动可适用传统法律规范进行调整。

基于参考曲线模型和并行非线性最小二乘算法的HPLC-DAD数据分解

HPLC-DAD数据分解问题是化学计量学领域的一个重要课题,也是很多其他研究领域的前提和基础。本文基于参考曲线模型,构造了一种三参数的色谱峰参考曲线,并提出了并行非线性最小二乘算法对参考曲线模型(RCM)进行求解。通过仿真实验和HPLC-DAD数据实验,验证了本文提出的方法具有分辨率高、收敛速度快、参数易控制等特点。

COMPSPEN:对形状性质与数据约束进行融合推理的分离逻辑求解器

分离逻辑是经典霍尔逻辑的针对操作指针和动态数据结构的扩展,已经广泛用于对基础软件(比如操作系统内核等)的分析与验证.分离逻辑约束自动求解是提升对操作指针和动态数据结构的程序的验证的自动化程度的重要手段.针对动态数据结构的验证一般同时涉及形状性质(比如单链表、双链表、树等)和数据性质(比如有序性、数据不变性等).主要介绍能对动态数据结构的形状性质与数据约束进行融合推理的分离逻辑求解器COMPSPEN.首先介绍COMPSPEN的理论基础,包括能够同时描述线性动态数据结构的形状性质和数据约束的分离逻辑子集SLIDdata、SLIDdata的可满足性和蕴涵问题的判定算法.然后,介绍COMPSPEN工具的基本框架.最后,使用COMPSPEN工具进行了实例研究.收集整理了600个测试用例,在这600个测试用例上将COMPSPEN与已有的主流分离逻辑求解器Asterix、S2S、Songbird、SPEN进行了比较.实验结果表明COMPSPEN是唯一能够求解含有集合数据约束的分离逻辑求解器,而且总体来讲,能对线性数据结构上的同时含有形状性质和线性算术数据约束的分离逻辑公式的可满足性问题进行高效的求解,另外,也能对蕴涵问题进行求解.

数据依赖与异常数据分离-应用

数据在传递过程中,经常出现两类现象:一些被传递的数据在传递中发生部分数据元丢失;一些未知的数据元入侵到被传递的数据内。这两类现象使得被传递的数据出现"异常"。利用一个新的数学模型,给出两类现象的理论研究与应用。这个新的数学模型是P-集合(packet sets),P-集合是由内P-集合XF珚(internal packet set XF珚)与外P-集合XF(outer packet set XF)构成的集合对;或者,(XF珚,XF)是P-集合。给出数据的F珚-依赖、F-依赖的概念与特性,提出数据的依赖定理,给出异常数据被分离的应用。数据依赖是P-集合诸多应用特性之一。P-集合是研究动态数据系统的一个新理论与新方法。

变异粗集与[α/R]知识

利用Z .pawlakroughsets ,提出变异粗集 ,给出变异粗集的数学结构和变异粗集与Z .pawlak粗集之间的关系 ,给出变异粗集与Z .pawlak粗集的变异 -对偶原理 ;利用这些结果 ,提出知识分离的判定定理和知识挖掘准则 ,变异粗集是Z .pawlak粗集中的一个新的研究方向 .

一种基于粗糙集的陶瓷原料分类方法

为了对陶瓷原料进行科学分类,在叙述了粗糙集理论的一些基本概念的基础上,给出了用粗糙集建立陶瓷原料分类模型的基本步骤和对陶瓷原料化学组成进行处理的方法,并给出了一个分析实例。实验结果表明:使用该方法对陶瓷原料分类能达到预期效果,有助于配方设计中对陶瓷原料的选取。

P-集合与信息智能分离-辨识

P-集合是把动态特性引入到有限普通集合中改进普通集合得到的,P-集合是一个集合对。P-集合具有动态特性。信息系统存在丢失信息元与增加信息元的现象,把生物的记忆特征引入到这两个现象中,利用P-集合,给出动态信息生成和动态度的概念,提出动态信息生成的依赖特性,给出动态数据信息真度辨识准则,给出动态信息的依赖分离-辨识定理,最后给出F-动态记忆信息分享在网络图像智能检测识别系统中的应用。

基于敏捷分桶的频繁项目集生成新算法

指出用于数据挖掘的频繁项目集生成的常规Hash算法存在两个主要缺点:1)难挑选合适的Hash函数,2)易导致Hash冲突。为了克服了这些缺点,提出了一种能动态适应频繁项目集生成实际需要的敏捷分桶新算法,该算法对任何项目集均有按需反应能力,且无需寻找任何Hash函数,更不会导致任何Hash冲突。同时给出了进一步改进和提高新算法效率的研究方向。

非平衡光纤传感数据集类间数据重合的识别与分离算法

传统基于LDA的聚类算法,进行非平衡光纤传感数据集类间数据重合的识别以及分类时,结果存在严重的类倾斜问题,聚类效果不理想。因此,提出新非平衡光纤传感数据集类间数据重合的识别与分离算法,采用K最邻近算法实现非平衡光纤传感数据集类间数据重合的识别,基于识别结果通过GAK-KNN算法实现数据集类间数据重合的分离,对非平衡光纤传感数据集类间数据样本分配合理的权重,通过K-means算法操作非均衡数据集,采用SMOTE算法实现初步聚类,通过三角质心TSMOTE算法解决非平衡光纤传感数据集分类结果倾向性问题,获取更为精确的非平衡光纤传感数据集类间数据聚类结果。实验结果说明,所提算法取得了较好的非平衡光纤传感数据聚类效果,聚类效率高。

拟R_0分离公理及其在模糊信息理论中的应用

为改善传统分离公理在分析数据融合层次中的局限性,扩大数据融合表达具体问题的范围,运用拓扑结构分析模糊信息的融合层次,表达特定命题,提出拟R0分离公理.利用拟闭包及拟内核刻画拟R0分离公理,讨论拟R0分离公理和拟分离公理间关系.拟R0分离公理使数据融合层次的分析更灵活,对具体问题的反映更可靠.

基于改进SSD的轻量化小目标检测算法

为提高SSD目标检测算法的小目标检测能力,提出在SSD算法中引入转置卷积结构,采用转置卷积将低分辨率高语义信息特征图与高分辨率低语义信息特征图相融合,增加低层特征提取能力,提高SSD算法的平均精准度。同时针对SSD算法存在模型过大,运行内存占用量过高,无法在嵌入式ARM设备上运行的问题,以DenseNet为基础,结合深度可分离卷积,逐点分组卷积与通道重排提出轻量化特征提取最小单元,将SSD算法特征提取部分替换为轻量化特征提取最小单元的组合后,可在嵌入式ARM设备上运行。在PASCAL VOC数据集和KITTI自动驾驶数据集上进行对比实验,结果表明改进后的网络结构在平均精准度上得到明显提升,模型参数数量得到有效降低。

基于六度分离理论的新型关联规则挖掘算法

针对Apriori算法中支持度与置信度不易确定、需要多次扫描数据库、生成的关联规则集合易过大或者过小等问题,提出了一种新型的关联规则挖掘方法——六度分离关联规则挖掘算法。该算法不仅可以定量地挖掘强关联规则,也可以挖掘弱关联关系;同时,只需要一次扫描数据库,将数据压缩转化存储在矩阵中;也提出了事件之间关联度的新的计算方法。与目前应用最广的基于item的协同过滤算法相比,在最优情况下,即推荐数量为250时,准确率提高了15%。

一种调整分类超平面偏移的方法—平均距离比MDR法

分析了传统的支持向量分类机对不平衡数据集的影响,并提出了一种调整分离超平面偏移的方法—平均距离比MDR法.首先分别计算正、负类的支持向量到分离超平面距离的平均值,让这个平均值之比等于两类样本数的反比,从而得到偏移b*的值.实验表明,对于不平衡数据集问题,该方法比标准SVM具有更好的效果.

自适应小数据集乳腺癌病理组织分类研究

针对乳腺癌病理组织图像数据普遍存在数据集规模小、良性和恶性样本数量分布不均衡、自动识别精度低的现状,利用深度可分离卷积、小卷积核堆叠、增深降维等技术,结合文中提出的"SoftMax+WF"设计具备合理深度和宽度、适应小数据集、轻型的病理组织图像分类模型。在图像旋转、扭曲等传统增强数据方法基础上,采用随机不重复裁切法均衡良、恶性样本数量并扩充数据集。针对训练集中难以聚类的样本,提出"弱特征"概念、"弱特征"样本提取算法和自适应调整、二次训练算法改进模型训练。在参数设置和运行环境相同的条件下,进行8组比对实验,模型的准确率、敏感度、特异度均可达97%以上。实验结果证明文中设计的模型性能稳定,对小数据集和不均衡数据集具有较好的包容性和适应性。

水冷多联分离式热管数据机房节能潜力分析

水冷多联分离式热管系统被提出用于冷却数据机房,该系统综合了自然冷却技术和变频技术的优点,能够有效地降低制冷系统的能耗。为了探索水冷多联分离式热管系统相对于传统空调系统的节能潜力:首先,建立了水冷多联分离式热管系统的传热模型并且利用实验进行了验证,得知其相对误差在±10%以内;其次,通过建立的水冷多联分离式热管系统的能耗模型确定了系统的最佳送风温度设定值和供水温度设定值,其值分别是24?C和15?C;最后,对比分析冷却系统#1～#3的全年运行能耗,获得了水冷多联分离式热管系统(#3)相对于是否利用湖水源的传统空调系统(#2与#1)的节能率,其节能率分别为11.3%和68.8%。

数据分离与属性状态特征

给出数据分离与它的属性状态特征生成的基本理论。利用逆P-集合的结构与动态特征,给出数据外分离,数据内分离与数据外-内分离概念,给出数据分离特征,给出数据分离生成的属性状态特征。给出数据补充定理,数据删除定理与数据补充-删除定理。给出数据外分离的属性基数定理,数据内分离的属性基数定理与数据外-内分离的属性基数定理。论文给出的理论结果是数据分离生成的特征。

P-未知数据集及其过滤-分离

当普通集合X的属性集合α发生动态变化时,X中隐藏着未知数据信息。根据这一情况,利用X生成的P-集合(XF,XF)和∧-型大数据的结构,提出内P-未知数据集、外P-未知数据集、P-未知数据集概念,给出它们的数值特征。定义未知数据集的P-依赖度、P-过滤度概念,讨论未知数据集的P-依赖度与P-过滤度的关系。利用过滤度分析P-未知数据集过滤识别的条件,给出P-未知数据集的过滤-分离识别原理,过滤剩余-分离识别原理,得到过滤-分离识别定理以及过滤剩余-分离识别定理,最后给出内P-未知数据集过滤识别的应用。