求多目标决策加权和权系数的图论方法

在多目标决策问题中,合理地给出多目标加权和权系数,在实际应用中具有重要意义。本文采用图论方法,把各指标视为竞赛图的顶点,用竞赛图的得分向量做加权和权系数向量,充分利用已知信息,给出一种合理地确定权系数向量的方法。在指标较多,缺乏历史资料的多目标决策问题中,这种方法具有实用价值。     

赋权控制分配策略的权系数多目标优化设计

针对多操纵面飞机控制权值参数多、虚拟可达集使用率低的问题,基于改进非劣排序遗传算法(INSGA),提出一种离线设计控制分配策略权系数的多目标优化方案。给出了加权伪逆和混合优化两类赋权控制分配模型,推导了统一的控制律。考虑分配效率和分配模态的性能要求,建立了权系数多目标优化模型,并采用INSGA进行了离线计算。仿真验证结果表明,所提出的方案可提供多组折中的Pareto最优解,能够实现赋权控制分配策略的权系数多目标优化设计。     

PAC模型中能量系数与轮廓线的同步优化

提出一种对参数活动轮廓模型中能量系数和轮廓线进行同步优化的方法,并初步探讨对能量系数学习问题。该方法借鉴免疫优化思想,以能量系数和轮廓线构成的四维向量为解,以控制点移动次数和目标分割误差为评价指标,通过免疫克隆选择算法和贪婪算法的有机融合,实现能量系数和轮廓线的同步优化。仿真实验结果表明,该方法是有效的。     

薄壁管抗撞性能的多目标结构优化

以交通工具中部分锥形薄壁方管的安全装置作为研究对象,建立以薄壁管在碰撞过程中吸收能量最大化,比吸能最大化和初始碰撞力峰值最小化为多目标的优化问题.用锥形部分的几何参数作为设计变量,在保证不降低薄壁管吸能能力的情况下,通过对其结构的优化达到初始碰撞力峰值最小化的目的.论文采用有限元软件LS-DYNA得到不同几何参数模型的碰撞信息,用响应面法构造近似函数,同时引入权系数以表征各个目标在优化问题中的重要程度,并采用理想点法求解多目标优化问题,分析了锥形薄壁方管各几何参数对结构的能量吸收、比吸能和初始碰撞力峰值的影响,最终得到了给定权系数下的最优模型.     

带模糊权值的最短路问题及启发式算法

研究网络链路权值是三角型模糊数时的最短路问题,建立模糊线性整数优化模型。通过引入目标函数的正、负理想点和隶属度概念,将模糊优化问题转化为确定系数的单目标优化问题,并给出求解算法。该算法通过调整反映决策者意图的目标函数权系数,得到决策者的满意解。对14个节点的实例网络进行仿真,经过6步就能得到令决策者满意的解,表明了模型和算法的有效性。     

一种改进的图像噪声滤波器的设计

针对用遗传算法优化L滤波的权系数时必须用到原始图像和计算量大的问题,依据中心极限定理改进去除图像噪声滤波器,通过在图像上交互式的选择感兴趣区域估计混合噪声模型,并把该混合噪声模型添加到一幅较小的测试图像上,重建退化过程,然后以测试图像为目标,用遗传算法优化L滤波的权系数,并用得到的一组最优权系数结合图像的边缘信息对图像进行L滤波。仿真实验表明用该滤波器滤除图像混合噪声能得到令人满意的结果。     

基于加权支持向量机的移动建模方法及其在软测量中的应用

工业过程软测量技术的核心问题是建立软测量模型,然而,利用传统全局建模方法与多 模型建模方法进行复杂工业过程软测量建模时,在不同程度上存在一些问题.本文利用支持向量 机(SVMs)泛化能力强的特点,结合局部加权学习(LWL)算法思想,提出一种适于局部学习的加 权支持向量机(W_SVMs)学习算法和基于这种算法的移动建模方法.利用这种建模方法对Box- Jenkins煤气炉和重油催化裂化(FCCU)装置进行分析建模,并与其它不同建模方法进行比较,显 示了该方法的优点和有效性.     

航空发动机振动监控新方法的研究

针对航空发动机振动监控异常样本少的问题,用单类支持向量机建立了一种振动异常检测模型,在仅对正常数据进行训练的基础上便可以进行发动机振动异常检测工作.根据近期数据的重要性要大于早期数据的重要性这一特性,提出加权单类支持向量机算法,为不同架次的样本赋予不同的权系数.实验分析结果表明了检测模型的有效性.     

用神经网络辨识非线性大滞后系统的研究

本文主要研究非线性大滞后系统的建模问题， 提出用串级网络模型进行滞后补偿，并给出了网络模型权系数的学习算法．     

支持向量学习的多参数同时调节

模型选择是支持向量学习的关键问题.已有模型选择方法采用嵌套的双层优化框架,内层执行支持向量学习,外层通过最小化泛化误差的估计进行模型选择.该框架过程复杂,计算效率低.简化传统的双层优化框架,提出一个支持向量学习的多参数同时调节方法,在同一优化过程中实现模型选择和学习器训练.首先,将支持向量学习中的参数和超参数合并为一个参数向量,利用序贯无约束极小化技术(sequential unconstrained minimization technique,简称SUMT)分别改写支持向量分类和回归的有约束优化问题,得到多参数同时调节模型的多元无约束形式定义;然后,证明多参数同时调节模型目标函数的局部Lipschitz连续性及水平集有界性.在此基础上,应用变尺度方法(variable metric method,简称VMM)设计并实现了多参数同时调节算法.进一步地,基于多参数同时调节模型的性质,证明了算法收敛性,对比分析了算法复杂性.最后,实验验证同时调节算法的收敛性,并实验对比同时调节算法的有效性.理论证明和实验分析表明,同时调节方法是一种坚实、高效的支持向量模型选择方法.     

基于启发式算法的混沌支持向量机流量预测

针对现有混沌支持向量机回归模型存在流量预测效率低下的问题,利用差分进化(DE)算法、遗传算法和粒子群优化算法确定模型的径向基核函数系数、惩罚系数、不敏感系数等参数,在此基础上建立改进的混沌支持向量机回归模型进行流量预测。实例表明,相比其他启发式算法,DE算法能以较高的效率搜索到混沌支持向量机回归模型的最优参数,并且该模型具有较高的预测精度。     

一种多输出支持向量机的增量学习算法

标准支持向量机主要对单输出样本学习已经进行了广泛的研究,而对多输出样本学习问题的研究较少.在最小二乘支持向量回归机模型的基础上,推广得到多输出最小二乘支持向量回归机模型,并给出它的一种增量学习算法.理论分析和实验结果证明它不但保证了学习精度,而且使得多输出回归问题的学习速度大大加快.     

多查询相关的排序支持向量机融合算法

排序学习是目前信息检索与机器学习领域研究的热点问题.现有排序学习算法在学习时把训练样本集中的所有查询及其相关文档等同对待,忽视了查询之间的差异,影响了排序模型的性能.对查询之间的差异进行描述,并在训练过程中考虑这种差异,提出一种基于有监督学习的融合多个与查询相关排序子模型的方法.该方法为每一个查询及其相关文档建立一个子排序模型,并将子排序模型的输出进行向量化表示,将多个查询相关的排序模型转化为体现查询差异的特征数据,实现多排序模型的集成.以排序支持向量机为例,在查询级和样本级建立新的损失函数作为优化目标,并利用此损失函数调节不同查询产生损失之间的权重,提出多查询相关的排序支持向量机融合算法.在文档检索和网页检索中的实验结果表明,使用多查询相关的排序支持向量机融合算法可以取得比传统排序学习模型更好的性能.     

基于OWA聚合算子的多传感器目标识别

将OWA算子引入到多传感器属性信息融合领域中来,建立了基于OWA算子的两级式多传感器目标识别推理模型。通过合理选择OWA算子中加权向量的与或度及各类传感器的属性权,有效地调整各传感器之间的融合程度,使整个目标识别系统的性能得到进一步提高。文末以该模型的目标识别实例表明了该方法的有效性和实用性。     

基于互学习的多词向量融合情感分类框架

方面级情感分类是当前的研究热点之一,其目标是自动推断文本中特定方面的情感倾向。融合多种不同类型的词向量作为基于深度学习模型的输入,在该任务上取得了较好的效果。然而,通过直接拼接或门控机制等方式融合多种不同的词向量,不能充分发挥每种词向量的作用。为了解决这个问题,该文提出了一种基于互学习的多词向量融合情感分类框架,其目的是充分利用普通词向量、领域词向量和情感词向量中的信息,提高分类的性能。具体地,首先构建以三种词向量的融合作为输入的主模型,然后分别构建三个以单一词向量作为输入的辅助模型,最后基于互学习的方式联合训练主模型和辅助模型,以达到相互促进的效果。在三个常用数据集上的实验表明,该文提出框架的性能明显好于基准方法。     

基于CPSO的混合核SVM参数选择及其应用

支持向量机中参数的寻优一般只针对惩罚系数和核参数,而混合核的引入,使支持向量机(SVM)又多了一个可调参数,而这个可调参数一般是根据经验或人工随机调试得到,不能确保该参数为最优.针对此问题,提出以惩罚系数、核参数以及混合核可调参数为寻优目标,用混沌粒子群(CPSO)对其进行综合寻优的方法,来寻找满足条件的最优参数组合,从而提高模型的精度.通过对工业双酚A生产过程软测量建模的仿真研究表明,混合核参数优化后的模型比普通模型效果要好,泛化能力有所提升.     

基于前景理论的多目标灰靶决策方法

针对权重信息部分已知且属性值为区间数的多目标决策问题,考虑决策者风险态度对多目标决策的影响,提出一种基于前景理论的区间数多目标灰靶决策方法.该方法利用奖优罚劣的区间数线性变换算子对原始决策信息进行规范化处理,设计正负理想靶心,并定义前景价值函数.利用该构建方案建立优化模型以得出最优权向量,并最终确定出方案的排序.最后,通过一个实例验证了该模型适用于具有风险态度特性的区间数多指标决策,并且表明了该模型的有效性和可行性.     

面向复杂超多目标优化问题的自适应增强学习进化算法

在解决超多目标优化问题中,基于分解的进化算法是一种较为有效的方法.传统的分解方法依赖于一组均匀分布的参考向量,它借助聚合函数将多目标优化问题分解为一组单目标子问题,然后对这些子问题同时进行优化.然而,由于参考向量分布和Pareto前沿形状的不一致性,导致这些预定义的参考向量在解决复杂超多目标优化问题时表现较差.对此,提出一种基于自适应增强学习的超多目标进化算法(MaOEA-ABL).该算法主要分为两个阶段:第1阶段,采用一种自适应增强学习算法对预定义的参考向量进行调整,在学习过程中删除无用向量,增加新的向量;第2阶段,设计一种对Pareto形状无偏好的分解方法.为验证所提出算法的有效性,选取具有复杂Pareto前沿的MaF系列测试函数进行仿真研究,结果显示,MaOEA-ABL算法的IGD(inverted generational distance)均值在67%的测试函数上超过了对比算法,从而表明该算法在复杂超多目标优化问题中表现良好.     

基于支持向量机的水中目标识别

本文阐述了有关统计学习理论和支持向量机算法,提出了基于支持向量机的水中目标识别方法.该方法与传统方法相比,克服了后者固有的模型选择与过学习问题、非线性与维数灾难问题、局部极小问题.最后进行了水中目标的对比识别实验,实验结果说明,相对于近邻法和神经网络法,支持向量机算法对水中目标有更高的识别性能.     

稀疏分层概率自组织图实例迁移学习方法

针对基于实例的迁移学习在关联多源异构领域数据时遇到的数据颗粒度不匹配问题,以单领域分层概率自组织图(HiPSOG)聚类方法为基础,提出一种具有迁移学习能力的稀疏化非监督分层概率自组织图(TSHiPSOG)方法。首先,在源领域和目标领域分别基于概率混合多变量高斯分布生成分层自组织模型以便在多领域中分别提取不同粒度的表示向量,并用稀疏图方法通过概率准则控制模型增长;其次,利用最大信息系数(MIC),在具有富信息的源领域中寻找与目标领域表示向量最相似的表示向量,并利用这些源领域表示向量的类别标签细化目标领域数据分类;最后,在国际通用分类数据集20新闻组数据集和垃圾邮件检测数据集上进行了实验,结果表明算法可以利用源领域的有用信息辅助目标领域的分类问题,并使分类准确率最高提高约15.26%和9.05%;对比其他经典迁移学习方法,通过稀疏分层可以挖掘不同颗粒度的表示向量,分类准确率最高提高约4.48%和4.13%。