两种求解非正定核Laplac-SVR的SMO算法

提出２种用于求解非正定核ＬａｐｌａｃｅＳＶＲ 的序列最小最优化（ＳＭＯ）算法．第１种算法仅针对ＬａｐｌａｃｅＳＶＲ而设计;第２种算法将ＬａｐｌａｃｅＳＶＲ 作为所要解决问题的一种特殊情况,使算法更具通用性．所提出的算法在保证收敛的前提下,使非正定ＬａｐｌａｃｅＳＶＲ 能够达到比较理想的回归精度,具有一定的理论意义和实用价值．     

一种用于事件监测的传感器网络拓扑控制策略

针对事件驱动型传感器网络应用系统,基于简化的ＡＯＤＶ（ａｄｈｏｃ ｏｎｄｅｍａｎｄｄｉｓｔａｎｃｅｖｅｃｔｏｒｒｏｕｔｉｎｇ）（Ｓ-ＡＯＤＶ）算法,提出一种结合预先路由和按需路由的混合拓扑控制策略,通过随机选择一部分节点预先运行Ｓ-ＡＯＤＶ算法来减小事件发生时任务节点的初始拓扑建立时延．仿真实验表明,该策略能以较小的能耗代价换取较快的系统响应速度,满足了事件监测类应用的实时性要求．

     

在原始空间用Ｒｏｓｅｎｂｒｏｃｋ算法训练线性支持向量机

为了加快并行下降方法（ＣＤ）用于线性支持向量机（ＳＶＭ）时的最终收敛速度,将Ｒｏｓｅｎｂｒｏｃｋ算法（Ｒ）用于线性ＳＶＭ．在内循环,Ｒ 通过解一个单变量子问题来更新狑的一个分量,并同时固定其他分量不变;在外循环,采用Ｇｒａｍ-ｓｃｈｍｉｄｔ过程构建新的搜索方向．实验结果表明,与ＣＤ 相比,Ｒ 加快了最终的收敛,在分类中能更快地获得更
高的测试精度．

     

RBF神经网络参数估计的两种混合优化算法

基于全局搜索的进化算法和一种局部搜索算法———结构化的非线性参数优化方法（ＳＮＰＯＭ）,提出两种混合的优化算法来估计ＲＢＦ神经网络中的参数：１）初始化一定数目的种群作为ＳＮＰＯＭ 的初始值得到其适应值,通过选择、交叉和替换策略来更新种群;２）采用进化算法运行一定的代数,从最终群体中选取一些个体进一步用ＳＮＰＯＭ来优化．这两种混合优化算法的本质是用进化算法为ＳＮＰＯＭ 搜寻最优初始值,以得到全局最优解．仿真实验结果表明,该混合算法比单独使用进化算法或ＳＮＰＯＭ 更优,且优于其他一些算法．

     

支持向量机和一类模糊推理系统的等效性及其应用

支持向量机（ＳＶＭ）和模糊推理系统（ＦＩＳ）分别源于统计学习理论（ＳＬＴ）和认知学两个不同的领域．在一定约束条件下,提出并证明了ＳＶＭ 和一类基于规则的ＦＩＳ的函数等效性定理．在此基础上,提出基于ＳＶＭ 学习过程的ＦＩＳ（ＭＢＦＩＳ）的设计方法．ＭＢＦＩＳ继承了ＳＶＭ 良好的泛化能力和对“维数灾难”的避免能力,也继承了基于规则的ＦＩＳ的显式推理能力．Ｂｅｎｃｈｍａｒｋ数据实验表明,ＭＢＦＩＳ具有良好的分类性能．

     

自适应和声搜索算法及在粗糙集属性约简中的应用

针对改进和声搜索算法（ＩＨＳ）存在的不足,提出了自适应和声搜索算法（ＡＨＳ）．该算法利用和声库中变量函数的最大差值来调节ＰＡＲ 和ｂｗ,从而提高了对多维问题的搜索效率．利用５个标准测试函数对ＡＨＳ算法进行测试,并应用于粗糙集的属性约简中．仿真结果表明了该算法的有效性和实用性．

     

基于图像特征提取的浮选关键参数智能预测算法

针对矿物浮选过程中回收率参数难以在线检测的问题,提出了一种智能预测算法．首先采用相对红色分量提取泡沫颜色特征,采用改进面积重构变换与分水岭方法分割泡沫图像并提取尺寸特征;然后在此基础上,通过斯密特正交化对最小二乘支持向量机（ＬＳＳＶＭ）核矩阵进行简约,利用核偏最小二乘方法进行回归计算,得到具有稀疏性的ＬＳＳＶＭ 预测模型．实验结果表明,该预测算法能有效地对矿物回收率进行预测．

     

一种LDA与SVM混合的多类分类方法

针对决策有向无环图支持向量机（ＤＤＡＧＳＶＭ）需训练大量支持向量机（ＳＶＭ）和误差积累的问题,提出一种线性判别分析（ＬＤＡ）与ＳＶＭ 混合的多类分类算法．首先根据高维样本在低维空间中投影的特点,给出一种优化ＬＤＡ 分类阈值;然后以优化ＬＤＡ 对每个二类问题的分类误差作为类间线性可分度,对线性可分度较低的问题采用非线性ＳＶＭ 加以解决,并以分类误差作为对应二类问题的可分度;最后将可分度作为混合ＤＤＡＧ 分类器的决策依据．实验表明,与ＤＤＡＧＳＶＭ 相比,所提出算法在确保泛化精度的条件下具有更高的训练和分类速度．

     

基于TS／VDS算法的涤纶短纤维生产调度优化

采用禁忌搜索（ＴＳ）／变深度搜索（ＶＤＳ）混合算法对涤纶短纤维生产调度优化问题进行优化．混合算法通过改变常规ＴＳ算法邻域,采用变深度搜索技术增强了算法寻优能力．某大型石化企业实际数据的实验结果表明,该算法在寻优能力和求解时间上比常规ＴＳ算法更加有效,能够在更短的时间内获得满意解,对于解决多产品多阶段连续生产调度问题具有实用价值．

     

基于博弈论和VMI共享机制协调模型

以供应商和零售商组成的二阶段供应商管理库存（ＶＭＩ）供应链系统为研究对象,考虑随机需求下的ＶＭＩ系统中可能存在的滞销成本或缺货惩罚,建立了传统、Ｓｔａｃｋｅｌｂｅｒｇ博弈、Ｎａｓｈ协商的３种收益共享机制的协调模型,并得出Ｎａｓｈ协商能完美协调分散式ＶＭＩ供应链的结论．最后,通过数值算例对相关结论进行了验证和分析．

     

一种二进制编码的量子粒子群优化算法

针对离散空间优化问题,给出二进制编码的量子粒子群优化（ＢＱＰＳＯ）算法的设计思路,重新定义粒子的位置矢量和粒子之间的距离,提出了ＢＱＰＳＯ 算法的进化方程．通过泛函分析的方法分析了ＢＱＰＳＯ 算法的收敛性,得出全局收敛的结论,并通过多个测试函数测试了ＢＱＰＳＯ 算法的性能．求解结果验证了算法的优越性．

     

一种提高Ｖｉｃｓｅｋ模型收敛效率的新方法

针对Ｖｉｃｓｅｋ模型收敛速度较慢和一致程度较低的问题,利用动态网络的拓扑结构并结合复杂网络中度的概念,提出一种以度为权重提高Ｖｉｃｓｅｋ模型收敛效率的新方法．进一步以动态网络的度的幂指数得到模型的推广形式,该指数的范围为［０,∞）．仿真实验结果表明,改进后模型的收敛效率优于原模型,且收敛效率随着指数的增加而增大．

     

ＮＯＦＣ-ＶＲＴＴ ：一种基于变RTT的非线性AQM算法

针对网络拥塞设计一种基于变往返时间的主动队列管理算法．给出了一种新的ＴＣＰ 窗口观测器,证明当丢包率取值范围在０～１之间时,ＴＣＰ窗口观测值渐近收敛到ＴＣＰ窗口真实值．通过反步设计法设计了一种非线性输出反馈控制算法,并给出了控制参数的取值范围．ＮＳ仿真表明,ＮＯＦＣ-ＶＲＴＴ 算法具有较好的鲁棒性,较高的链路利用率和较低的丢包率,并且维持了各ＴＣＰ源之间的公平性．

     

一种基于犘犉犛犘性质的深度优先搜索算法

三机以上同顺序Ｆｌｏｗ ｓｈｏｐ问题（ＰＦＳＰ）是著名的ＮＰ完全问题．在充分利用ＰＦＳＰ自身特性的基础上,提出一种可变路径的深度优先搜索算法．该算法在搜索过程中根据需要采用两种不同邻域,在必要时将ＰＦＳＰ 转化为一个指派问题,自动变更搜索路径,以避免陷入局部最优解．数值仿真实验表明,该算法对于大规模ＰＦＳＰ 能取得良好
的计算结果．

     

冲突再分配ＤＳｍＴ及解决证据间矛盾的新方法

ＤＳｍＴ 在处理多证据信源融合时,存在冲突焦元置信指派不合理增长,主焦元基本置信指派不合理收敛的问题,使决策困难．首先分析问题产生的原因,对ＤＳｍＴ 组合公式给出了改进意见,提出一种冲突再分配的ＤＳｍＴ 组合公式;然后针对多证据融合时证据间存在矛盾的问题,提出一种基于冲突率的折扣算法,修正置信指派．算例分析表明,采用上述算法可使主焦元基本置信指派得到合理收敛,冲突焦元得到合理处置,融合结果有利于决策．

     

一种新的动态关联规则及其挖掘算法

在分析原有定义不足的基础上,提出一种新的动态关联规则,其支持度向量和置信度向量与经典定义相吻合,能更好地反映规则随时间变化的动态信息．进一步提出两种新的动态关联规则挖掘算法：ＩＴＳ和ＥＦＰ ｇｒｏｗｔｈ．其中：两阶段ＩＴＳ算法具有较好的可理解性;基于扩展ＦＰ 树的ＥＦＰ ｇｒｏｗｔｈ算法适宜于高密度海量数据的挖掘．实验
结果表明,该算法具有较好的挖掘性能和可扩展性,适用于动态关联规则的有效挖掘．

     

一类优化问题的分解算法

讨论一类大规模系统的优化问题,提出一种递阶优化方法．该方法首先将原问题转化为多目标优化问题,证明了原问题的最优解在多目标优化问题的非劣解集中,给出了从多目标优化问题的解集中挑出原问题最优解的算法,建立了算法的理论基础．仿真结果验证了算法的有效性．

     

基于特征约束和均值漂移的机动目标粒子跟踪

粒子滤波是适用于非线性非高斯系统下目标跟踪的强有力工具．ＭｉｒｏＳｏｔ足球机器人系统可以作为研究机动目标跟踪问题的平台．对此,在分析ＭｉｒｏＳｏｔ系统目标特征的基础上,提出一种基于目标特征约束的均值漂移粒子滤波算法,利用约束和优化的思想提高粒子的质量并减少其数量．对比实验表明,该方法有效地克服了传统粒子滤波的计算量和粒子退化问题,保证了多机动目标跟踪的准确性和实时性．

     

基于GPS的NCS非整数倍采样周期时延补偿方法

研究具有非整数倍采样周期时延的网络控制系统（ＮＣＳ）的时延补偿问题．针对ＮＣＳ中的非整数倍采样周期时延,基于广义预测控制算法并结合线性插值方法,提出一种新的网络时延补偿方法．该方法能得到非整数倍采样周期的控制预测值,同时通过减小执行器读取缓冲区的周期,可有效减少由于执行器时间驱动而引起的等待时延,解决了非整数倍采样周期时延的补偿问题．最后通过仿真验证了该方法的有效性．

     

最大间隔最小体积球形支持向量机

结合支持向量机（ＳＶＭ）类间最大分类间隔和支持向量数据描述（ＳＶＤＤ）类内最小描述体积思想,提出一种新的学习机器模型———最大间隔最小体积球形支持向量机（ＭＭＨＳＶＭ）．模型建立两个大小不一的同心超球,将正负类样本分别映射到小超球内和大超球外,模型目标函数最大化两超球间隔,实现正负类类间间隔的最大化和各类类内体积的最小化,提高了模型的分类能力．理论分析和实验结果表明该算法是有效的．