月界旅行 [法国]儒勒·凡尔纳著 地底旅行 [法国]儒勒·凡尔纳著 域外小说集 《域外小说集》为书，词致朴讷，不足方近世名人译本。 《现代小说译丛（第一集）》，短篇小说集，鲁迅、周作人、周建人合译，收俄国、波兰、保加利亚、爱尔兰、西班牙、希腊、芬兰、亚美尼亚等国18位作家的30篇作品。 一个青年的梦 [日本]武者小路实笃著 爱罗先珂童话集 [苏联]V.爱罗先珂著

为了提高非平衡数据集的分类精度，提出了一种基于样本空间近邻关系的重采样算法。该方法首先根据数据集中少数类样本的空间近邻关系进行安全级别评估，根据安全级别有指导的采用合成少数类过采样技术（Synthetic minority oversampling technique，SMOTE）进行升采样；然后对多数类样本依据其空间近邻关系计算局部密度，从而对多数类样本密集区域进行降采样处理。通过以上两种手段可以均衡测试数据集，并控制数据规模防止过拟合，实现对两类样本分类的均衡化。采用十折交叉验证的方式产生训练集和测试集，在对训练集重采样之后，以核超限学习机作为分类器进行训练，并在测试集上进行验证。在UCI非平衡数据集和电路故障诊断实测数据上的实验结果表明，所提方法在整体上优于其他重采样算法

超低碳钢常用于生产汽车面板等表面质量要求较高的产品.连铸坯皮下的钩状坯壳很容易捕集夹杂物导致冷轧钢板表面出现翘皮、亮/暗线等缺陷,对产品质量具有严重危害.采用数值模拟分析了钩状坯壳的形成和演变过程.将计算的初生坯壳形状制作成物理模型,模拟了夹杂物在凝固前沿被捕集的过程,并对凝固钩区域不同位置的夹杂物的受力特征进行了分析.结果表明,凝固钩在弯月面中形成以后,不会直接湮没进坯壳内,而是要经历熔化、变粗、生长、湮没等逐步演变的过程.数值模型预测拉速1.3 m·min-1条件下最终存留在坯壳中的凝固钩深度约为2.5 mm,这与实际观察到的钩状坯壳的尺寸基本一致.模拟得到的钩状坯壳形貌与铸坯表层和漏钢坯壳的金相特征较为接近.夹杂物最容易在凝固钩下表面被捕集,不容易在凝固钩上表面被捕集,特别是对尺寸相对较大的夹杂物.但是溢流发生时,靠近弯月面处的夹杂物可能随着钢流进入到初生凝固钩上部而被快速冷却的钢液包裹.两道凝固钩之间的坯壳由于其凝固前沿处于垂直分布,小于100 μm夹杂物可能被捕集而大尺寸夹杂物不易被捕集

• 支配集、点覆盖集与点独立集 • 边覆盖集与匹配 • 二部图中的匹配 • 点着色 • 地图着色与平面图的点着色 • 边着色

• 指令集并行的基本概念及挑战 • 软件方法挖掘指令集并行 – 基本块内的指令集并行 • 硬件方法挖掘指令集并行 – Scoreboard – Tomasulo • 跨越基本块的指令集并行 • 基于硬件的推测执行 • 以多发射和静态调度来挖掘指令集并行 • 以动态调度、多发射和推测执行来挖掘指令集并行

4开集、闭集 若E°=E,则称E为开集(E中每个点都为内点) 若E=E,则称E为闭集(与E紧挨的点不跑到E外) P为E的接触点:Vδ>0,有Opo)E≠Φ

模糊隶属度无统一算法,定义存在分歧.根据模糊概念\内涵明确,外延不明确\的特点,定义隶属度为不同外延对内涵的从属程度.在信息系统中,概念的外延用对象表示,内涵由属性表示,由此提出了求解隶属度的新算法:由原始统计数据组成初始信息系统,用粗糙集理论求得其商集并构建集值信息系统;该集值信息系统对应的条件概率空间中的条件概率即为隶属度.广义上信息系统可分为信息系统(无决策属性)和目标信息系统(有决策属性)两类.隶属度也可分为两类:第一类外延对象为内涵属性本身值,如年龄对青年人的隶属度(信息系统);第二类外延对象为不同于内涵属性的另一属性值,如边坡工程安全系数对稳定状态的隶属度(目标信息系统).计算以上两个实例,前者与已有结论作对比验证,后者与函数选择、经典统计方法及贝叶斯公理作对比验证,可知结果可靠,算法可行

为了建立复杂系统的事元可拓模型,针对现实世界中具有多层结构、每个子层次结构又具有多个特征的复杂系统中各子系统的相互作用问题,从可拓学原理出发,在n维事元可拓集概念的基础上,提出了多层多维事元可拓集及其正域、负域、拓界的概念.给出了多层多维事元可拓集的正可拓域、负可拓域、正稳定域、负稳定域的定义.研究了多层多维事元可拓集的交运算等,讨论了有关性质,并对性质进行了严格证明,得到了多层多维事元可拓集交的可拓域、稳定域的表达式

为了研究多层多维复杂系统的矛盾问题,运用可拓学原理,在n维物元可拓集概念的基础上,提出了多层多维物元系统可拓集及其正域、负域、零界的概念,给出了多层多维物元系统可拓集的可拓域、稳定域的定义,讨论了多层多维物元系统可拓集的一些性质.最后研究了多层多维物元系统可拓集的交、并等运算

传统的分类算法大多假设数据集是均衡的,追求整体的分类精度.而实际数据集经常是不均衡的,因此传统的分类算法在处理实际数据集时容易导致少数类样本有较高的分类错误率.现有针对不均衡数据集改进的分类方法主要有两类:一类是进行数据层面的改进,用过采样或欠采样的方法增加少数类数据或减少多数类数据;另一个是进行算法层面的改进.本文在原有的基于聚类的欠采样方法和集成学习方法的基础上,采用两种方法相结合的思想,对不均衡数据进行分类.即先在数据处理阶段采用基于聚类的欠采样方法形成均衡数据集,然后用AdaBoost集成算法对新的数据集进行分类训练,并在算法集成过程中引用权重来区分少数类数据和多数类数据对计算集成学习错误率的贡献,进而使算法更关注少数数据类,提高少数类数据的分类精度