预不变拟凸函数的新性质及应用

对一类新的广义凸函数-预不变拟凸函数作了进一步研究。借助于η-不变凸集和函数的上图(E(f)={(x,α)∶x∈K,α∈R,f(x)≤α})得到了预不变拟凸函数的几个新的性质,然后还给出了预不变拟凸函数在数学规划问题中的两个重要应用,从而完善了对此类广义凸函数的研究。     

重庆交通大学学报(自然科学版)第27卷(2008年)总目次

<正>~~     

基于粗集理论的交通流丢失数据补齐方法

为了解决交通检测器检测到的数据存在丢失的问题,提出了一种基于粗集理论的丢失数据补齐方法。利用检测到的交通流数据构造信息系统,通过计算扩充可辨识矩阵,并对其进行多次完整化分析,实施丢失数据的补齐,并采用英国南安普敦市的实际检测数据对算法进行了验证。研究结果表明:同一时间段,当仅有一个属性数据丢失时,粗集理论的补齐精度较高,绝对相对误差较小,基本保持在0～5%之间;当不同属性的数据同时丢失时,补齐精度较低,绝对相对误差甚至高达20%;当所有属性数据全部丢失时,补齐精度非常低,可视为无法实现补齐。可见,粗集理论是一种补齐少量丢失数据的有效方法。     

基于灰熵法的沥青稳定碎石水稳定性影响因素分析

沥青稳定碎石的水稳定性有许多影响因素,如沥青性质、矿料性质、混合料配合比等,在诸多因素中找出关键影响因素,对控制其水稳定性有着重大意义。利用灰关联熵分析法研究了沥青针入度、4.75 mm及0.075 mm筛孔通过率、集料公称最大粒径,以及沥青混合料的沥青用量、空隙率、饱和度、粉胶比等对沥青稳定碎石水稳定性能影响的显著程度。研究表明,沥青用量、沥青饱和度、沥青针入度及沥青混合料空隙率是影响沥青稳定碎石水稳定性的主要因素。     

集便器在中国轨道车辆上的应用

我国铁路客车上广泛使用的直通式便器,将粪便直接排泄到轨道上,严重污染了线路、车辆及周围环境,造成轨道和车辆零部件的严重锈蚀。介绍了集便器的原理及其在我国轨道车辆上的应用,并提出了应根据客车档次分别选用真空保持式集便器、压力冲水式集便器和紧凑型真空集便器。     

SAR图像舰船目标长宽特征提取技术

SAR图像特征提取是目标识别中的关键步骤,直接影响目标识别的结果。长度类特征因其简单直观、效率高、易于提取等优势,常被作为船只类型的初始判定,针对 SAR图像舰船目标长宽特征提取问题,本文提出一种新的方法。首先通过水平集分割获得目标轮廓,其次采用区域消除方法滤除杂波,获得预处理后的目标图像;其次通过最小外接矩形拟合目标,获取舰船目标切片的长轴、旋转的角度;再次采用最小二乘法椭圆拟合获取舰船目标短轴;最后得到舰船目标的长宽特征。通过实测SAR图像处理结果表明,本文方法能够在背景杂波干扰下,抑制相干斑噪声的影响,提高了长宽提取的精度,是一种有效的舰船目标长宽特征提取方法。     

船舶避碰中灰色数据挖掘研究

随着海洋运输业的发展,航行在海上的船舶数量越来越多,船舶避碰系统成为保障船舶航行安全的必要设备之一。现有的船舶避碰算法有基于视频图像帧数据的、红外传感器设备采集数据的,也有利用知识发现及大数据挖掘技术对船舶航行轨迹及碰撞规律进行分析,对船舶航行进行辅助指导。本文研究船舶避碰中的灰色度数据挖掘技术,并根据实际的应用数据建立灰色度数学模型,最后对本文的船舶避碰算法进行仿真,与传统算法进行比较分析。     

桑塔纳时代超人前照灯与仪表指示关联故障排除

故障现象 一辆2002年购买的桑塔纳2000GSi（时代超人）轿车,行驶总路程12．5万km,2007年4月发现该车在怠速或行驶中,使用前照灯时光线偏暗,而且冷却液温度表指示值偏高。     

基于层次分析与灰关联分析的公路货运市场细分方法

给出了用层次分析与灰关联分析结合的方法对公路货运市场进行细分的算法,通过案例实证了算法的有效性,从而为公路货运企业科学决策和进行目标市场营销提供依据;并针对不同的公路货运细分市场提出了相应的营销策略。     

Latent Supportive Utility of Irrelevant Attributes in Feature Selection

This paper proposed a novel feature selection method LUIFS (latent utility of irrelevant feature selection) that not only selects the relevant features, but also targets at discovering the latent useful irrelevant attributes by measuring their supportive importance to other attributes. The method minimizes the information lost and simultaneously maximizes the final classification accuracy. The classification error rates of the LUIFS method on 16 real-life datasets from UCI machine learning repository were evaluated using the ID3, Nave-Bayes, and IB (instance-based classifier) learning algorithms, respectively; and compared with those of the same algorithms with no feature selection (NoFS), feature subset selection (FSS), and correlation-based feature selection (CFS). The empirical results demonstrate that the LUIFS can improve the performance of learning algorithms by taking the latent relevance for irrelevant attributes into consideration, and hence including those potentially important attributes into the optimal feature subset for classification.