经验公式发现系统(FDD)中对误差的改进

在研究科学和解决工程应用问题时,经常需要根据两个变量的实验数据,找出这两个变量之间的关系.使用传统的数据拟合技术所求得的近似公式大多表示为代数多项式,系数由最小二乘法原理建立正规方程组求出.但这种传统拟合方法存在一个"病态问题",即系数行列式元素微小变化引起解的显著变化的问题.为了解决这个问题,采用基于人工智能的机器发现和数值计算的曲线拟合相结合的经验公式发现技术,并对经验公式发现系统中的误差评判方法提出了改进算法,提高了公式发现系统的可用性.     

经验公式发现系统FDD

从大量实验数据中发现经验公式是对传统的数据拟合技术的革新,本文介绍作者研制的经验公式发现系统ＦＤＤ。它是将人工智能技术与数据拟合技术结合起来,通过启发式搜索,找到满足精度要求经验公式,ＦＤＤ系统比国外ＢＡＣＯＮ系统,在公式表示上扩充为函数型公式。     

顾及空间各向异性的IDW插值算法

针对距离平方反比插值算法(IDW)未能考虑事物的方向性特征以及插值精度较低的情况,提出一种带方向的各向异性空间插值的优化算法。通过最小二乘法的椭圆拟合改进算法确定椭圆公式,利用距离平方归一化方法将椭圆转化为各向同性模型,构造一个新的计算模型。以油田真实地质分层数据和砂体地层面表面模型为例,对所提算法进行验证分析,实验结果表明,与传统的距离平方反比插值算法相比,该算法将椭圆作为搜索区域,考虑到搜索方向的各向异性特征,提高了搜索区域内已知点选取的有效性,精度较高,更能反映数据的实际情况。     

估算典型4阶系统动态特性经验公式的改进

针对根据开环频率特性估算4阶系统动态指标的经验公式进行验证并改进.利用经验公式计算典型4阶控制系统的动态指标,将计算结果与仿真结果对比,分析经验公式的准确性;验证经验公式总结方法的正确性,同时结合经验公式的构成特点,对其进行改进,并利用文献中的电机实测数据对改进公式进行准确性实验;分析经验公式中各参数对系统动态特性的影响.验证结果表明,改进后的经验公式其准确性优于原公式,可在工程研究中推广应用.     

针对混合极性的并行表格技术的遗传算法

针对混合极性的最佳极性优化问题,提出一种基于并行表格技术的遗传算法.在3n混合极性搜索过程中,采用并行表格技术计算遗传算法中种群的适应度函数;并行表格技术不按变量顺序产生on-set项,克服了在传统表格技术中顺序产生相关项造成数据相关性问题,有效地提高了CPU利用率.实验结果表明文中算法在保证最优结果的同时,可平均缩短8％的处理时间.     

数据集成中基于组合相似度计算的属性映射搜索算法

针对企业数据物化集成中属性映射技术存在的问题,提出了基于组合相似度计算的属性映射搜索算法(SACS)。通过建立直观的属性相似度计算因子和组合公式,在数据源属性间遍历搜索映射关系,从而规避传统属性映射技术在机器学习过程中数据样本的选择问题,提高属性映射关系的查准率和查全率。     

智能答疑系统中搜索技术的研究

描述了智能答疑系统中问题搜索的基本过程,并分析了知网在搜索中的应用，针对题库结构的特殊性,采用了基于文本段的向量空间搜索模型,对传统的TF-DF公式做了改进,并使用局部相似度和全局相似度相结合的方法实现搜索结果的排序。     

基于方向优先和对向搜索的改进Dijkstra算法

传统Dijkstra算法在搜索最短路径时需要逐一遍历网络图中所有顶点,计算量大,占用存储空间大,搜索效率很低。因此,针对交通网络的空间特性和传统算法的不足,改进存储结构,采用“方向优先+对向搜索”相结合的搜索方法,以减少存储空间,缩小搜索范围,从而加快搜索速度,提高算法的搜索效率。实验数据表明：与传统算法相比,改进的算法能够更有效地搜索交通网络中的最短路径,具有更好的实用价值。     

用鱼群算法求解通风系统风机定位优化问题

为了解决矿井通风系统风机定位优化问题,建立了该问题的大规模非线性最优规划模型。在优化模型中,在兼顾变量约束条件的空间限制和求解精度的情况下,在正交交叉算子中将求解空间离散化,离散方法是将每个连续因素离散化为一个有限值,量化每个变量连续空间区域为有限个水平。由于该问题维数太高,传统优化技术无法有效获取其最优解,采用改进的鱼群算法对该问题进行了求解。在算法中,为了消除优化模型的约束条件,大幅度压缩变量数,在算子中将变量分组;使用了基于邻域竞争进化的演化算法,有效地融合了全局搜索和局部搜索的本质属性,实现了算法效率与效果的平衡;使用了自适应学习和变异算子、正交交叉算子、邻域竞争算子等多种算子改进基本人工鱼群算法的各种行为。应用结果表明,该算法计算速度和稳定性大幅度提高,可在简单计算环境下稳定地获取该模型的最优解。     

基于蚁群的数据点NURBS曲面快速拟合研究

研究数据点的NURBS曲面拟合问题,提高拟合速率。针对所要拟合的数据点分布散乱,传统的基于遗传算法多次迭代,造成曲面拟合速率不高的问题。为解决上述问题,提出一种基于蚁群的数据点NURBS曲面拟合算法。通过采用蚁群寻址算法搜索出控制顶点和边界数据点集,计算曲面的权因子后完成NURBS曲面的拟合,并使用蚁群算法对拟合曲面进行优化,避免了传统方法多代遗传迭代造成的拟合速率不高的问题。实验表明,这种方法能够快速完成散乱数据点的NURBS曲面拟合,并且具有一定的拟合效率,取得了满意的结果。