基于信息理论的网络文本组合聚类

尽管近年来针对文本聚类问题进行了大量研究,其仍然是数据挖掘领域的一个富有挑战性的问题,特别在弱相关特征乃至噪声特征的处理上,仍然存在诸多挑战。针对这一问题提出了文本聚类的分解-组合算法框架——DIAS。该方法首先通过简单随机特征抽样将高维文本数据进行分解得到多样化的结构知识,其优点是能够较好地避免产生大量的噪声特征。然后采用基于信息理论的一致性聚类（ICC）将多视角基础聚类知识组合起来,得到高质量的一致性划分。最后通过在8个真实文本数据集上的实验,证明DIAS算法相较于其他被广泛使用的算法具有明显优势,特别在处理弱基础聚类上具有突出效果。由于在分布式计算上的天然优势,DIAS有望成为大规模文本聚类的主流算法。      

成败型系统可靠性增长的Bayes评估

针对成败型系统在研制阶段的动态增长的可靠性评估问题,依据前期可靠性增长试验中多阶段的试验信息和专家经验,提出了基于新Dirichlet先验分布的可靠性增长的Bayes评估方法。该方法根据已有的不同阶段试验信息,利用离散AMSAA（Army Material System Analysis Activity）可靠性增长模型描述可靠性增长试验中不同阶段可靠性的增长趋势,并对各个阶段的可靠性进行评估;针对下一阶段建立基于新Dirichlet分布的可靠性先验分布,并根据下一阶段可靠度的估计值采用最大熵模型给出先验分布参数估计;在获得现场试验数据的条件下,给出下一阶段的可靠度后验估计,并讨论不同区间范围对后验可靠性的影响。最后通过实例分析,表明相较于直接利用离散AMSAA模型和Beta先验分布,该方法在合适的专家经验的指导下能够给出更为准确的可靠性评估。     

全局渐近稳定的时滞细胞神经网络模型研究

利用Lyapunov泛函方法和不等式技巧，研究了一类细胞神经网络的全局渐近稳定性，通过引入一系列参数．给出了保证时滞细胞神经网络全局渐近稳定的模型设计方法。     

飞机电源系统故障诊断数学模型的研究

在分析研究飞机电源系统经常出现的故障现象及故障原因的基础上,利用极大极小化法,建立了飞机电源故障的极大极小化模型,缩短了排故时间,提高了工作效率.     

时滞细胞神经网络平衡点的全局指数稳定性研究

利用常数变易法和变量替换的方法，研究了具有时滞的细胞神经网络平衡点的奎局指数稳定性，给出了网络平衡点的全局指数稳定性的充分判据。