n次λ-Bézier曲线光滑拼接的连续性条件

针对n次λ-Bézier曲线造型中的复杂曲线难以用单一曲线来构造的问题,研究了该曲线光滑拼接时的连续性条件。通过分析λ-Bézier曲线的基函数及其端点性质,给出了相邻两段λ-Bézier曲线间C1、C2和G1、G2光滑拼接的充要条件;最后,给出了λ-Bézier曲线光滑拼接的具体步骤与几何造型实例,并分析了形状参数对拼接后曲线形状的影响规律。实例结果表明,所提方法不仅易实现且简单有效,在工程复杂曲面的构造与外形设计中将有一定的应用价值。

预期视角下房价波动与消费的协整关系研究

根据不同类型消费者行为的差异,文章构建出预期视角下房价与消费关系的理论基础模型以确定两者的协整关系,并建立长期均衡动态面板误差修正模型,实证表明:预期房价上涨抬高居民住房投资品属性权重,这是阻碍财富效应发挥的主要原因。全国层面:房价上涨乐观预期下,居民出现"短视行为",减弱"资产效应",加强"财富重新分配效应"、"预防性储蓄动机效应"等挤出效应,导致无论短期还是长期,房价均抑制居民消费;地区层面:地区经济发展差异引起房价地区间的空间效应及领先滞后关系,导致在短期内,房价对消费的影响均是挤出效应,地区差异体现在强度上,而长期差异在影响方向上也有体现,东中部地区为挤出效应,西部地区为财富效应。

同时诊断多种精神障碍:基于标签相关性的K近邻多标签学习

随着技术、经济和社会的快速发展,人们的生活质量得到了极大的提高.然而,工作和生活的快节奏也带来了巨大的压力.紧张、焦虑和担忧等生活困扰,及其带来的体内化学物质失衡,会给患者带来多种精神障碍问题,如抑郁症、躁郁症和焦虑症.精神问题往往同时涉及多种相关的精神障碍.为了解决这些问题,文章提出了一种利用机器学习方法和改进的多标签K近邻(ML-KNN)模型的解决方案:基于标签相关性的多标签学习算法.该算法首先利用FPgrowth算法挖掘样本的多个标签之间的相关性,获得标签的频繁项集.然后构建频繁项集和标签的评分模型和阈值模型.前者用于衡量样本与频繁项集或标签之间的相关程度,后者用于解决与频繁项集或标签相对应的判别阈值,并结合起来预测样本的频繁项集.其次,考虑到标签相关性,还引入高斯权重来量化不同实例之间的距离.最后,为了解决模型预测中可能出现的空标签的问题,还依靠传统的K近邻(KNN)算法对空标签数据进行二次预测,进一步提高了预测精度.该算法首先在公开数据集reuters、scene和emotions上与KNN进行比较,以验证算法的有效性.然后在临床数据集上进行实验,结果显示该算法的F1分数、准确度、α准确度和Rate指数分别达到了63.57%、72.73%、73.17%和70.04%.最后,与该数据集上的每种基准方法的实验结果进行比较,平均性能提升为2.8%,证明该算法合理利用了标签之间的相关性和高斯权重对实例之间的距离进行量化.