对划分的一个粒度公式的研究

对于划分的粒度,现在已经定义了很多公式.相对于同一个论域来说,这些定义所遵循的一个整体的原则显然是划分块数越少其粒度越大.对于同一论域的具有相同块数的两个不同划分,在某些情况下,其粒度也被认为是不同的,可称之为局部原则.现有的公式基本上都兼顾了这两个方面.讨论一个相对简单的公式,且主要研究的是局部原则对整体原则某种程度的破坏.首先定义划分的方差,给出划分的粒度公式与划分的方差之间的关系.然后给出一个界限,证明在相同论域上,当一个划分的块数大于另一个划分的块数超过这个界限时,这个划分的粒度一定大于另一个划分的粒度.

基于矩阵的多粒度粗糙集粒度约简方法

粒度约简是多粒度粗糙集的重要议题,现存的多粒度粗糙集粒度约简方法以考虑各种形式计算多粒度下的正域为主要的研究方法.然而对于多粒度粗糙集,因为同时存在悲观视角与乐观视角,不仅下近似会因悲观、乐观视角而产生差异,视角同样会影响上近似的大小.因此,提出一种可以保持多粒度上下近似不变的粒度约简方法,同时考量多粒度粗糙集的上近似与下近似的粒度重要度,基于重要度设计了用矩阵计算粒度重要度的方法,并提出相应的粒度约简算法.在UCI公开数据集上使用对比算法验证了所提算法的有效性和优越性.

变精度多粒度粗糙集近似集更新的矩阵算法

随着信息大爆炸时代的到来,数据集的巨大化和数据集结构的复杂化已经成为近似计算中不能忽视的问题,而动态计算是解决这些问题的一种行之有效的途径。对现有的应用于经典多粒度粗糙集动态近似集更新方法进行了改进,提出了应用于变精度多粒度粗糙集(VPMGRS)的向量矩阵近似集计算与更新方法。首先,提出了一种基于向量矩阵的VPMGRS近似集静态计算算法;其次,重新考虑了VPMGRS近似集更新时的搜索区域,并根据VPMGRS的性质缩小了该区域,有效地提升了近似集更新算法的时间效率;再次,根据新的搜索区域,在VPMGRS近似集静态计算算法的基础上提出了一种新的VPMGRS近似集更新的向量矩阵算法;最后,通过实验验证了所提算法的有效性。

面向属性概念格下的知识状态转移方法

如何高效率地寻找猜测答对或粗心答错情况下不相容答题状态对应受测者真实的知识状态是目前计算机自适应测试领域研究的一个热点问题.现有知识状态转移方法时间成本高,不适用于含有大量测试问题和技能的应用场景.并且,现有知识状态转移方法将合取模型和能力模型均视为能力模型,采用同一种方法进行知识状态转移,灵活性不够,评估效率不高.本文针对合取模型和能力模型,分别提出基于面向属性概念格的知识状态转移方法.首先由技能映射或多映射建立技能背景并诱导出对应的面向属性概念格,进一步使用概念格中概念的外延并结合最大概率方法得到受测者猜测或粗心情况下的真实知识状态,最后给出知识评估过程.实验表明,在知识评估结果相同的前提下,本文所提方法相比现有方法极大地降低了评估时间成本,因此具有更好的性能.

支持一般电路的高效安全基于属性签名

基于属性签名(attribute-based signature,ABS)是一种重要的密码原语,具有广泛的应用背景,得到众多学者的关注,是密码学的研究热点.为了提高基于属性签名的安全性、表达力和效率,使用多线性映射作为工具,提出一个支持一般电路的具有完善隐私性的基于属性签名方案.引入节点权重概念并采用“从上到下”递归,显著减少生成签名的计算开销;利用左右孩子节点的对称性,缩短门节点的密钥长度.所提出的方案将不可伪造性从“选定消息且选定属性攻击下存在不可伪造”提升到更强的“自适应选择消息但选定属性攻击下存在不可伪造”;将访问结构从特殊电路拓展到一般电路,可以支持任意访问结构,达到任意的访问控制粒度;在保持签名仅为1个群元素的前提下,显著缩短主公钥、主私钥和签名钥的大小和显著降低签名密钥生成、签名生成和验证的计算开销.分析表明:所提出的方案在性能和效率方面均有明显优势,是一个实用的方案.

知识点网络下的知识评估和学习路径选择

学习者在认知过程中可能掌握了某些知识点,但自身的知识状态并未改变,因此,为了提高学习效率并对学习者进行知识评估,在知识点网络下运用形式概念分析方法讨论如何对学习者进行知识评估和学习路径选择问题.首先,给出了知识点网络的构造方法、有效知识点组合的概念及知识点网络下题库的构造方法;其次,通过知识点网络诱导知识点背景,在已知学习者知识状态的情况下对学习者掌握的知识点进行评估,并给出知识点网络下的学习路径图及其算法;最后,通过实验验证了提出的算法的有效性和可行性.研究发现,由知识点网络诱导的知识点背景确定的知识点结构满足良级性.

无监督混阶栈式稀疏自编码器的图像分类学习

目前多数图像分类的方法是采用监督学习或者半监督学习对图像进行降维,然而监督学习与半监督学习需要图像携带标签信息。针对无标签图像的降维及分类问题,提出采用混阶栈式稀疏自编码器对图像进行无监督降维来实现图像的分类学习。首先,构建一个具有三个隐藏层的串行栈式自编码器网络,对栈式自编码器的每一个隐藏层单独训练,将前一个隐藏层的输出作为后一个隐藏层的输入,对图像数据进行特征提取并实现对数据的降维。其次,将训练好的栈式自编码器的第一个隐藏层和第二个隐藏层的特征进行拼接融合,形成一个包含混阶特征的矩阵。最后,使用支持向量机对降维后的图像特征进行分类,并进行精度评价。在公开的四个图像数据集上将所提方法与七个对比算法进行对比实验,实验结果表明,所提方法能够对无标签图像进行特征提取,实现图像分类学习,减少分类时间,提高图像的分类精度。

去中心基于属性不可否认签名

将基于属性、不可否认和去中心3个概念相结合,提出去中心基于属性不可否认签名的定义和安全模型,并基于离散对数困难问题构造一个无双线性对的方案。该方案主要基于Cramer等的证据隐藏零知识证明协议,以Schnorr协议作为其基础Σ协议,以Shamir门限方案作为其秘密分享方案;再使用Fiat-Shamir转换得到一个(t,n)门限签名(BTS)方案;然后再对BTS方案进行不可否认、防共谋和去中心化处理;最后得到一个去中心基于属性不可否认签名方案,并在随机预言机模型下证明了其安全性。

关联分类及其改进算法综述

关联分类算法是分类中一个重要的方法,但是基于支持度—置信度框架的传统关联分类算法会产生很多质量不高的规则。为了提高传统关联分类算法的准确率,以提出大量改进算法,综述关联分类及其改进算法。首先介绍关联分类算法及其改进算法所涉及的基本概念,其次就关联分类算法的三个步骤规则生成、规则度量与剪枝、未知实例预测综述关联分类及其改进算法。最后对关联分类及其改进算法进行总结与展望。

信息熵约束下的视频目标分割

大部分基于图论的视频分割方法往往先通过分析运动和外观信息获得先验显著性区域,然后用最小化能量模型来进一步分割,这些方法常常忽略对外观信息精细化分析,建立的目标模型对复杂场景的鲁棒性不佳。根据信息熵能够度量样本纯度,信息熵最小化和能量模型最小化具有一致的目标,提出一种信息熵约束下的视频目标分割方法。首先在经典光流法基础上结合点在多边形内部原理获得第一阶段的分割结果;然后以超像素为基本分割单元,获得均匀的运动和表现;最后在能量函数中引入信息熵约束项,构建前景背景像素标记的优化问题,通过最小化能量函数得到更精确的分割结果。在公开数据集上的实验结果表明目标模型中引入信息熵约束项能够有效提高视频目标分割的鲁棒性。

基于属性重要度的变精度邻域粗糙集属性约简算法

邻域粗糙集理论主要用于知识发现、属性选择、决策分析和数据挖掘等领域,能够根据数据的特点选择合适的离散化策略,在处理模糊和不确定性知识方面表现良好。但是,传统粗糙集属性约简算法存在难以确保获得约简、约简后的粗糙集属性识别准确率低等不足。对此,文中提出了一种基于属性重要度的属性约简算法。在充分考虑现有条件信息熵多方面不足的基础上,借鉴变精度邻域粗糙集理论对阈值参数进行重选,以新的条件信息熵作为度量基准,根据决策信息系统中的偏好属性推导出偏好决策规则集。对偏好决策规则集进行粗糙规则提取,并通过邻域粒化方法建立了变精度邻域粗糙集模型。该模型在处理大规模粗糙集属性数据时,计算时间较长,冗余属性过多。针对该问题,给出了一种属性重要度评价策略,在此基础上通过融合多叉树理论设计了变精度邻域粗糙集属性约简算法。实验结果表明,与传统方法相比,所提算法的属性识别准确率为92%,提高了10%左右,这充分验证了所设计的属性约简算法具有较强的有效性和较高的应用价值。

基于边界域条件熵的最优尺度约简

由于现实世界中属性具有多层次多尺度,因此多尺度决策表的概念被提出.目前对多尺度决策表的研究大多集中在最优尺度组合上,但通过最优尺度组合得到的并不是一个真正的约简集,仍需再次进行属性约简,因此可能会导致求约简的时间较长.为此考虑利用边界域条件熵直接求最优尺度约简.首先,引入多尺度决策表中最优尺度约简的定义,给出多种最优尺度约简的定义,探讨在协调和不协调两种背景下几种最优尺度约简之间的关系.其次,给出多尺度决策表中边界域条件熵的定义,讨论边界域条件熵的若干性质以及与约简的关系.最后,给出基于边界域条件熵的最优尺度约简算法,并用实验验证该方法的有效性.

基于栅格的正圆与椭圆尺寸测量算法

为了提高工件尺寸精度,提出一种基于栅格的正圆与椭圆尺寸测量算法.该算法首先把指定区域划分成间隔大小一致的网格;其次,对被测量工件进行轮廓识别,用鼠标选取采样点,采样点必须是轮廓与网格的交点,计算鼠标单击点与网格所有点的距离并找出最小距离的网格点,该点的坐标值即采样点的值;最后,计算各种参数.通过程序对正圆、椭圆尺寸测量得出的数据表明,新算法能快速准确计算出工件的尺寸.对多种测量算法进行了对比分析,结果表明:新算法具有较好的测量效果.

平行线填充算法在区域面积量算中的应用

基于平行线原理提出一种新的区域填充算法并运用于环形多边形的面积量算中。首先,绘制一组等间距平行线并计算与多边形边界的交点值;其次,从第二条平行线开始,依次和前一条平行线配对组成一个矩形区域并计算面积;最后,利用自定义的算法判断每个矩形区域两端的小三角形区域是否保留或删除,从而计算出整个环形多边形区域的面积。通过对单一、相交、凹进和凸起、复杂多边形区域面积量算得出的数据表明,该算法能快速准确计算指定区域面积且具有较好的通用性。