半P-集合(X^F,X)与噪声数据剔除-应用

来源 :计算机科学 | 被引量 : 0次 | 上传用户:xiade522
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
半P-集合(half packet sets)是由内P-集合X^F(internal packet set X^F)与有限普通集合X构成的集合对,或者(X^F,X)是半P-集合,它具有内-动态特性。为了剔除噪声数据,获得目标数据,利用半P-集合提出了基于属性补充的递推-剔除噪声数据的方法。提出了噪声数据、噪声数据集成与F-数据核概念;给出了噪声数据与F-数据生成的递推方法与递推结构、噪声数据集成与F-数据核关系定理、F-数据依赖与辨识定理、噪声数据递推-剔除定理、噪声数据辨识准则与噪声数据递推-剔除准则,
其他文献
降低网络能量消耗、延长网络寿命是无线传感器网络设计的重要目标,分簇是实现该目标的主要方法之一。针对矩形传感器网络,提出一种基于分层的非均衡分簇算法。算法根据节点的能
以八边形综合集成桅杆为研究对象,系统研究了综合集成桅杆的风载荷特性,桅杆在风载荷下的力学特性及桅杆的固有振动特性。计算了桅杆在设计风速下的风载荷,得到了桅杆受风时平均
针对跳频电台多台同址时相互间同址干扰严重和采用分频段跳频方式导致跳频增益小的不足,从子网内、子网问和跳频同步信号无干扰3个层次分析跳频异步组网中的全频段宽间隔频率
针对BP神经网络故障诊断存在网络结构复杂、训练时间长、精度不高的问题,将粗糙集、微粒群算法、遗传算法引入到柴油机故障诊断中,提出了基于粗糙集理论与改进BP神经网络相结合的柴油机故障诊断算法。算法采用自组织映射方法对连续属性离散化,利用粗糙集理论对特征参数进行属性约简,使用微粒群算法优化BP网络结构,从而缩短训练时间,有效提高故障诊断的准确度。最后用柴油机的实际诊断结果验证了该算法的可行性、快速性和
研究了源于无线网状网络的度数有界最大支撑子图问题:给定连通图G=(V,E)和正整数d〉2,求G的一个最大支撑子图H,满足对V中每个顶点二,v在H中的度数dH(v)不超过d。这里,支撑子图指图G的
无线mesh网络的特性使它面临着比传统无线网络更大的安全挑战。其安全解决方案必须兼顾安全性和应用环境等因素。用户节点的接入认证与密钥协商是节点漫游时最基本的安全协议
利用P-推理(P=Packet),提出倒向P-推理;倒向P-推理简称P-1-推理。P-1推理由内P-1推理(internalP-1-reasoning)与外P-1推理(outer P-1-reasoning)共同构成;或者,if((x)kF珚+1,(x)kF)■((x)kF珚
基于TCP协议中Syn,Fin和Rst3种报文段的关系,提出了一种新的SynFlood攻击检测方法:将Syn,Fin和Rst3者之间的关系映射到欧氏空间q-,将某一时间段内的Syn,Fin和Rst的关系映射为一个点