C&E、FMEA与DOE方法在6σ项目中的综合应用研究

为了在6σ项目中正确地选择影响关键质量特性的关键因子,并对关键因子进行深入分析,找到有效的质量改善方案,在介绍分析C&E、FMEA与DOE方法工作原理的基础上,用实例阐明了在6σ项目实施的M阶段如何用C&E矩阵从原因与效果的关联度、输出结果变量对顾客的影响度两个维度对输入因子进行量化评价的方法,以及用FMEA从失效模式的严重度、频度、探测度3个维度对初步选择的关键因子进行风险优先级评价的方法,并确定项目的关键因子;分析了在A、I阶段如何应用筛选设计、中心合成设计、响应曲面法,产生有效的DOE方案,量化关键因子的效果以及它们之间的交互作用,得出最优的改善方案;结果表明在6σ项目中合理地综合应用C&E、FMEA与DOE方法,可使6σ项目的实施取得良好效果.     

求解电路划分问题的混合式遗传算法

为了进一步降低超大规模集成电路设计的复杂性、增强图形可读性 ,提出了一种求解电路划分问题的混合式遗传算法。与传统遗传算法不同的是 ,该算法采用了顺序交叉和单元交换变异方式 ,同时对交叉概率和变异概率进行了优化设计。与K -L算法及传统遗传算法得出的结果比较 ,该混合式遗传算法在计算时间和划分结果上显示出其优越性     

基于TreeMiner算法的XML文档结构相似度量方法*

提出了一种基于TreeMiner算法挖掘频繁子树的文档结构相似度量方法,解决了传统的距离编辑法计算代价高而路径匹配法无法处理重复标签的问题。该方法架构了一个新的检索模型—频繁结构向量模型,给出了文档的结构向量表示和权重函数,构造了XML文档结构相似度量计算公式;同时从数据结构和挖掘程序上对TreeMiner 算法进行了改进,使其更适合大文档数据集的结构挖掘。实验结果表明,该方法具有很高的计算精度和准确率。     

一个高效的多变量时间序列聚类算法

时间序列聚类分析是数据挖掘研究的一个重要内容。已有的聚类算法大多采用k均值对低维数据进行聚类,不能对高维多变量时间序列（MTS）数据进行有效聚类。提出一种高效的多变量时间序列聚类算法PCA-CLUSTER,首先利用主成分分析对MTS数据降维;选取MTS数据的主成分序列进行K近邻聚类分析。理论分析和实验结果表明算法可以有效解决MTS数据聚类问题。     

基于遗传算法的顾客购买行为特征提取

提出一种基于遗传算法的顾客行为特征提取算法。首先,采用Tanimoto 相似度来度量顾客间购买行为,并设计遗传聚类算法对顾客群体进行划分,把具有相似购买行为顾客聚集为一类。然后,针对不同顾客群体的购买行为特征,设计一种基于遗传算法的多种群特征提取方法,从各个子群体中发现顾客的购买行为的知识。为了增强种群内部协同进化能力和规则质量,我们采用最近邻替代遗传策略和局部搜索策略。使用实际零售数据集对整个算法进行验证,并与经典的Apriori算法进行比较。实验结果表明该算法在不需要产生频繁项集的情况下,可较高效生成精简规则集,在规则形式方面也更加灵活。最后,对实验结果进行详细分析。     

平板车厢边框冲孔模的设计

阐述了模具的设计思路和主要参数的确定方法,介绍了模具的操作方法。     

一种改进的软件项目开发风险管理模型

该文提出了一种改进的软件项目开发风险管理模型。该模型在贝叶斯网络的建模过程中以样本数据集为基础进行结构学习和参数学习,建立更符合实际软件项目特征的贝叶斯网络。同时,进一步完善了软件项目开发风险管理流程,并利用贝叶斯网络的信念更新过程实现动态软件项目风险管理。经实践检验,该改进模型能够更有效地对软件项目开发过程中的风险进行管理,提高软件开发的成功率。     

一种求解多目标资源受限项目调度的遗传算法

采用基于非支配性排序的多目标遗传算法—NSGA－Ⅱ,设计了一种求解多模式、多种类资源约束的多目标资源受限项目调度问题的遗传算法,该算法所设计的编码包含两部分,一部分为一个任务链表,另一部分为任务链表中各任务所对应的执行模式组成的模式向量。将所设计的算法用于求解文献中的以项目总工期和资源均衡为目标的农业项目调度问题,结果表明此算法对于求解多目标资源受限项目调度问题是有效的。     

内容指导的自适应时域错误隐藏算法

为了减小视频传输中的错误对解码端重建视频质量的影响,提出了一种使用于H.264的基于内容的自适应时域错误隐藏算法。该算法首先对受损块邻域进行边缘检测,通过对边缘信息的进一步分析来对受损块的宏块模式进行估计,然后根据估计的宏块模式对受损块进行重建。实验表明,该算法能更好地适应丢失块内存在运动目标的情形,差错隐藏效果明显。     

基于人工神经网络的IT项目风险评价模型

[摘要]：首先本文在构建IT项目风险评价体系的基础上,提出一种基于人工神经网络的多指标综合风险评价模型。其次,利用神经网络的自学习和自适应能力,经过训练的神经网络系统能够将专家评价思想以连接权的方式赋予风险评价模型。最后,通过实际IT项目评价数据的验证,该风险评价模型能够准确地按照专家评价法进行工作。