线性规划的支撑方法（一）

本文简要介绍了求解线性规划的支撑方法。它引入了类似于基的支撑概念，但对非基变量不作为零的要求，即迭代不一定在极点上进行。文中给出了包括支撑可行解、ε－最优解（次优解）在内的主要概念，论述了最优性判据和次优性判据，建立了迭代算法并证明了有限步终止性。     

线性规划的支撑方法（二）

线性规划的支撑方法（二）高学东，武森，李宗元（北京科技大学管理学院，北京１０００８３）６初始支撑可行解的构造６．１初始可行解的构造在研制或设计一种新产品的时候，初始设计往往可以用来帮助构造数学模型，相应的设计向量天虽不一定完全可行，但在某些方面有可能...     

基于关联规则的SNS网站个性化推荐研究

以关联规则为理论基础,针对社会性网络服务(Social Networking Services,SNS)网站的个性化推荐问题进行研究.在系统总结个性化推荐方法基础上,详细给出基于关联规则的个性化推荐过程,综合运用可信度和作用度两个指标更好地对生成的关联规则进行评价.并采用SNS网站实际运营数据有效实现个性化推荐,对个性化推荐技术在SNS网站的实际应用价值进行拓展分析.     

分类属性数据的泛化中心聚类算法

针对采用经典划分思想的聚类算法以一个点来代表类的局限,提出一种基于泛化中心的分类属性数据聚类算法。该算法通过定义包含多个点的泛化中心来代表类,能够体现出类的数据分布特征,并进一步提出泛化中心距离及类间距离度量的新方法,给出泛化中心的确定方法及基于泛化中心进行对象到类分配的聚类策略,一般只需一次划分迭代就能得到最终聚类结果。将泛化中心算法应用到四个基准数据集,并与著名的划分聚类算法K-modes及其两种改进算法进行比较,结果表明泛化中心算法聚类正确率更高,迭代次数更少,是有效可行的。     

基于双向改进余弦相似度的话题发现算法

话题发现是网络社交平台上进行热点话题预测的一个重要研究问题。针对已有话题发现算法大多基于传统余弦相似度衡量文本数据间的相似性,无法识别各维度取值成比例变化时数据对象间的差异,文本数据相似度计算结果不准确,影响话题发现正确率的问题,提出基于双向改进余弦相似度的话题发现算法(TABOC),首先从方向和取值两个角度改进余弦相似度,提出双向改进余弦相似度,能够区分各维度取值成比例变化的数据对象,保留传统余弦相似度在方向判别上的优势,提高衡量文本相似度的准确性;进一步定义集合的双向改进余弦特征向量和双向改进余弦特征向量的加法等相关定义定理,舍弃无关信息,直接计算新合并集合的特征向量,减小话题发现过程中的时间和空间消耗;还结合增量聚类框架,高效处理新增数据。采用百度贴吧数据进行实验表明,TABOC算法进行话题发现是有效可行的,算法正确率和时间效率总体上优于其他对比算法。     

最大利润流问题及算法

最大利润流是以运输利润最大为目标的网络优化问题 .一个利润可行流可分解为若干个路流和圈流 ,相应地该可行流的利润也等于这些路流和圈流的利润之和 .本文证明了一个可行流为最大利润流的充要条件是不存在利润增广路 ,并据此提出了求解算法 .文章最后给出了一个计算实例 .     

稀疏数据非线性降维的CN-Isomap算法

针对经典的流形学习算法Isomap在非线性数据稀疏时降维效果下降甚至失效的问题,提出改进的切近邻等距特征映射算法(Cut-Neighbors Isometric feature mapping,CN-Isomap).该算法在数据稀疏的情况下首先通过有效识别样本点的"流形邻居"来剔除近邻图上的"短路"边,然后再通过最短路径算法拟合测地线距离,使得拟合的测地线距离不会偏离流形区域,从而低维嵌入映射能够正确地反映高维输入空间样本点间的内在拓扑特征,很好地发现蕴含在高维空间里的低维流形,有效地对非线性稀疏数据进行降维.通过对Benchmark数据集的实验表明了算法的有效性.CN-Isomap算法是Isomap算法的推广,不仅能有效地对非线性稀疏数据进行降维,同样也适用于数据非稀疏的情况.     

20α-羟基孕酮对土拨鼠肾上腺微粒体甾体羟基化反应的抑制作用

本文研究了20α-羟基孕酮对土拨鼠肾上腺微粒体P-450催化甾体羟基化的抑制作用。探明了17α-羟基孕酮作底物时,20α-羟基孕酮对P-450_(C_(21))催化的C_(21)羟基化反应及P-450_(17αlyase)催化的C_(17)—C_(20)键断裂的反应均表现出拮抗抑制。抑制常数分别为1.73μmol/L(P-450_(C_(21)))和1.37μmol/L(P-450_(17lyase))。比较了分别以孕酮和17α-羟基孕酮作底物时,20α-羟基孕酮对P-450_(17αlyase)催化C_(17)—C_(20)键断裂的不同影响,由此推论出雄甾烷二酮在肾上腺微粒体中生成的连续反应机理。     

高维稀疏数据对象——属性空间分割

针对高维稀疏数据预处理过程,提出了运用两阶段协同聚类算法(MTSCCA)来获得质量较好的高维稀疏对象-属性的子空间,并通过实证研究证明了算法的有效性.