IOWHA算子及其在组合预测中的应用

在有序加权平均(OWA)算子概念的基础上,提出有序加权调和平均(OWHA)算子及诱导有序加权调和平均(IOWHA)算子的概念,讨论它们的一些性质。同时指出现有的加权调和平均组合预测方法存在赋权的缺陷,建立新的基于IOWHA算子的组合预测模型,给出了IOWHA权系数的确定的数学规划方法。最后实例分析表明该模型能有效提高组合预测精度。     

拟阵的差导算子与导算子的完备格同构

定义了拟阵的差导算子,导算子,证明了对每个给定的有限集X,可以给DD（X）（即X上拟阵差导算子的全体）上赋予适当的序≤使得（DD（X）,≤）与（D（X）,≤）（即X上拟阵导算子的全体）之间是完备格同构的。     

左中右差分绝对值最大法的边缘检测方法研究

为检测高温环境中微弱信号边缘,提出一种基于区域的左中右差分绝对值最大的边缘检测算法。该算法是图像灰度的统计信息的差分,在一个指定的包含有边缘信息的区域内,综合考虑单个的像素或其周围的像素点灰度值在一个方向上的累加,然后对左、中、右相邻3个像素或累加值两两差分,取3个差分值中绝对值最大的为"左中右差分绝对值最大法"结果。实验表明该方法是可行的,能检测常见经典边缘检测算法不能检测到的微弱信号,对边缘的检测能定位到像素级。     

基于IOWA算子的税收组合预测模型

文章引进诱导有序加权平均(IOWA)算子的概念,建立诱导有序加权平均新的组合预测模型.该模型与传统的组合预测方法的区别在于组合预测的赋权系数与单项预测模型无关,而是与单项预测模型在各时点上的预测精度的大小密切相关,这是组合预测方法的一种新的可变赋权方法.文章给出了基于IOWA算子的税收组合预测模型,实例分析结果表明该模型是可行和有效的.     

权重信息不完全的区间直觉模糊数多属性决策方法

针对权重信息不完全的区间直觉模糊数多属性决策问题,首先,引入了区间直觉模糊数的一些运算法则、区间直觉模糊数的得分函数和精确函数。然后,对权重信息不完全的区间直觉模糊数的多属性决策方法进行了研究,给出了一个基于最大偏差的目标规划模型,从而获得相应的属性权重,并基于IIWAA算子对区间直觉模糊数信息进行集结,进而根据得分函数和精确函数对方案进行排序。最后,进行了实例分析,说明了该方法的实用性和有效性。     

模糊决策环境下基于COWA算子的绿色供应商选择方法

对于模糊决策环境下的绿色供应商选择问题。提出了一种方案的属性评价信息和属性权重均以模糊语言形式给出的多属性决策方法。首先,定义了模糊语言评估标度并给出了其相应的梯形模糊数表达形式。其次,利用连续区间数据OWA（COWA）算子,把梯形模糊数转化为精确实数,得到方案的排序向量,并且给出了方案排序的敏感性分析方法。最后通过算例说明了该方法的可行性和有效性。     

基于不确定纯语言混合调和平均算子的多属性群决策方法

在现实生活中,由于决策者对一些特定领域问题的熟悉度和时间限制等因素制约,决策信息一般以不确定纯语言的形式给出,即专家权重、属性权重及属性值均为语言标度的形式. 本文研究了不确定纯语言环境下的多属性群决策问题,给出了不确定环境下的纯语言有序加权调和平均(UPLOWHA)算子,纯语言混合调和平均(UPLHHA)算子等,研究了基于这些算子的纯语言多属性群决策问题,提出了相应的多属性群决策方法. 该方法计算方便且能充分利用已有语言决策信息. 同时,将该方法应用于解决虚拟企业中的合作伙伴选择问题,并通过与其他方法的比较分析,说明此方法的有效性.     

时域交互网络中动态嵌入轨迹预测方法

在电子商务、社交网络和教育等领域对用户和物品之间的顺序交互关系进行建模至关重要。通过表示学习模拟用户和物品的动态演化具有广阔应用前景,其中每个用户和物品均可以嵌入到欧几里得空间中,并且可以通过该空间中的嵌入轨迹对其演化进行建模。然而,现有的动态嵌入方法仅在用户采取某一动作并且未对嵌入用户和物品的未来轨迹进行建模时才会生成嵌入向量。针对这一问题,提出一种用户-物品耦合循环神经网络模型UICRNN(user-item coupled recurrent neural network model),学习用户和物品的嵌入轨迹。该模型使用2个循环神经网络来更新用户和物品交互关系的嵌入。此外,UICRNN模型可以对用户和物品的未来嵌入轨迹进行建模,引入了一种新的投影算子,该算子学习并估计将来可能嵌入的用户,估计的嵌入用户用于预测未来的用户和物品之间的交互关系。在多个真实数据集进行大量实验,预测未来交互的准确率至少提高42.91%,预测用户状态变化的准确率平均提高15.79%。     

基于LCD和奇异值分解的轴承故障诊断

针对滚动轴承故障信号在初期特征频率微弱而且难以提取的问题,提出一种基于局部特征尺度分解(LCD)和奇异值分解相结合的故障诊断方式。首先对采集到的目标信号进行LCD分解,得到一系列内禀模态分量(ISC),然后再通过峭度—相关系数筛选用来重构真实的ISC分量,利用奇异值分解对重构分量进行分解。接着求出所对应的差分谱,根据差分谱理论再次进行重构,最后再对重构信号进行能量算子包络解调。通过实验验证,相比于传统包络解调,所提的方法能够有效地提取出故障轴承的特征频率。     

基于相关系数及IOWA算子的区间组合预测方法

传统的组合预测方法是针对数字型数据并以改善拟合误差平方和为准则来建立模型。然而,在不确定环境下,样本数据和预测值均以区间数给出,因此有必要研究区间组合预测模型。文章引进IOWA算子以及相关系数概念,建立了多目标的区间组合预测模型,并探讨了模型的求解方法,再结合实例分析验证了模型的有效性,同时给出模型中的参数的灵敏度分析。