针对粗糙集中连续属性需要离散化问题进行了研究.根据数据对象的可分辨性原理构造超立方体,在数据空间上对信息表中的连续属性进行整体离散化处理.根据条件属性与决策属性的一致性关系,依照条件属性在粗糙集边界域中的分类能力来确定条件属性的重要性,在此基础上选取重要划分点对信息表中的连续属性进行局部离散化,同时以信息熵作为迭代约束条件.数值示例和实验表明这种整体与局部相结合的离散化方法是有效可行的

以光流法为依据,提出了一种基于光流方向信息熵(entropy of oriented optical flow,EOF)统计的方法捕捉微表情关键帧.首先,采用改进的Horn-Schunck光流法提取视频流中相邻两帧图像的微表情运动特征;其次,采用阈值分析法筛选出投影速度模值较大的光流向量;之后,采用图像信息熵统计光流变化角度,进而得到视频序列的方向信息熵向量,通过对熵向量的分析,实现微表情关键帧捕捉;最后,本实验采用芬兰奥卢大学的SMIC微表情数据库和中国科学院心理研究所傅小兰的CASME微表情数据库作为实验样本,通过与传统的帧差法比较,证明了本文提出的算法优于帧差法,能够较好地表现出微表情变化趋势,为微表情识别提供基础

针对某热轧带钢生产线时常会出现头部拉窄现象,本文从实际生产数据出发,首先采用动态弯曲时间算法将长度不同的各变量转换为相同长度,然后采用信息熵特征选择算法分析各生产过程变量对产品质量的影响程度,找出对头部拉窄影响最大的前若干个过程变量,初步定位热轧带钢头部拉窄原因.结果表明:信息熵特征选择方法可以有效初选热轧带钢头部拉窄原因,为生产调整提供方法支撑,将来还可推广到其他质量异常定位,甚至其他工序或者其他应用领域

介绍了一种多输入、多输出系统的故障诊断参数选择方法,该方法以可观参数集的信息熵为标准,进行启发性诊断参数集的划分,先以系统状态决定的启发性诊断多数子集作为驱动数据,实施正向推理,缩小目标集合;再以故障目标集合为对象,进行反向推理以确定最终故障集合;最后将故障集合的元素所对应的可测诊断参数作为系统的诊断参数进行测量。该方法构成了诊断型专家系统的一子部分

3.1 数据压缩的基本原理 3.2 数据压缩方法分类 3.3 常用压缩编码方法 3.3.1 信息熵编码

第一节 指标权重计算方法概述 一、权重计算重要性 二、主观赋值方法 三、客观赋值方法 第二节 特尔斐法 一、主要概念 二、基本特点 三、基本原则 四、实施步骤 第三节 层次分析法 一、层次分析法概述 二、层次分析法计算步骤 三、应用实例 第四节 信息熵值法 一、信息熵概述 二、熵值法计算步骤 三、水资源评价指标熵值法计算实例 四、城镇化评价指标权重熵值法计算 第五节 灰色关联度法 一、灰色关联度计算步骤 二、应用实例 第六节 离差最大化法 第七节 均方差决策法 第八节 变异系数法 第九节 基于专家效度权重计算方法 一、基于简单关联度确定指标的相对重要程度 二、基于指标重要程度初步求解指标专家权重 三、基于专家效度和专家权重修正指标权重值

一.填空(每空1分,共20分) 请按下面空中的编号顺序写出答案。 1.设一离散无记忆信源的输出由四种不同的符号组成,它们的出现概率分别为1/2、1/4、 1/8、1/8,则此信源平均每个符号包含的信息熵为bit符号若信源每毫秒发出一 个符号,那么此信源平均每秒输出的信息量为②bits

【知识工程】基于粗糙集相对分类信息熵和粒子群优化的特征选择方法

【机器学习】基于分类差异与信息熵对抗的无监督域适应算法

【人工智能基础】基于信息熵的对象加权概念格