基于多维正态云模型的控制器研究

在分析一维正态云模型及规则推理的基础上,研究了N维正态云模型及规则推理,及其N维正态云模型规则推理结构,并研究给出了基于N维正态云模型的控制器的设计方法和步骤。通过三维正态云模型控制器的设计表明所给出的N维正态云模型控制器的设计方法是可行的。     

二维正态云模型的单规则推理映射

针对二维正态云模型在实现数据的定量输入到规则的定性推理、再到数据的定量输出的转换过程中,其输出与输入之间的映射区域存在的不确定性问题,通过构造3σ正态分布随机数,在输入云模型与输出云模型分别具有相同的熵参数和超熵参数的情况下,总结出二维正态云模型的单规则推理映射规律,指出该映射区域是一个发散区域,其大小不但与云模型的参数期望有关,而且还与参数熵和超熵有关,而最大离散系数则与期望无关,该结论可以作为二维正态云模型多规则映射研究的理论指导.     

正态云模型的统计分析

分析了正态云模型中云滴和其确定度的概率分布，定义了正态云模型的期望曲线，最后分析了正态云模型随参数变化其形态变化的趋势和规律．上述统计分析有一定的理论和应用价值，将有助于正态云模型在更广和更深的层面上发展完善．     

一维正态云的概率统计分析

一维正态云是一种非常重要并且具有普适性的云模型．为了进一步完善云模型的理论基础，基于概率理论对一维正态云的性质进行了较深入全面的分析，首次从不同角度形象直观地展示了正态云．此外，从统计学的角度揭示了原逆向云算法存在较大误差的根源，并构造了一种新的更精确的一维逆向正态云算法．     

梯形云模型在概念划分及提升中的应用

云模型是定性概念与其定量表示之间进行不确定性转换的有效工具.目前对正态云模型已有较多研究,但对梯形云模型方面的研究很少.相对于正态云模型而言,梯形云模型在生活中更具一般性,用梯形云表示数值型语言概念有其特有的优势.给出了梯形云的一些相关定义,并且在分析了云理论中现有的基于正态云的概念划分和概念提升方法的基础上,提出了引入梯形云模型后新的云变换和软或操作方法,这些方法为解决数据发掘中许多关键问题提供了基础.     

正态云关联规则的预测方法

在信息处理领域,用数据挖掘方法发现关联规则和进行预测是两大热点.文中应用聚类的方法确定正态云的两个参数,并借助正态云模型来划分数量属性的论域,由此生成一系列的正态云关联规则.接着给出了正态云关联规则的挖掘和预测方法.由于用正态云表示的语言值能很好地表达抽象的概念,从而使得挖掘出的正态云关联规则与预测的结果更抽象、更容易被人理解.     

基于图像与点云的三维障碍物检测

为提高平截头点云网络在三维障碍物检测中的精度,基于平截头点云网络的结构提出一种扩张平截头点云的检测方法。采用图像和点云数据,使用二维目标检测网络Yolov3,检测障碍物的二维包围框;扩张包围框的大小,在点云数据中提取出障碍物对应的点云;通过改进的Pointnet网络对该点云计算,得到障碍物的三维信息。在原模型基础上,加入扩张包围框,提高点云数据提取的完整性。通过KITTI数据集的验证和测试,实验结果表明,通过扩张二维包围框可以有效提高检测网络的性能。     

隶属云和隶属云发生器

本文针对模糊集理论基石的隶属函数，提出了隶属云的新思想，给出了用数学特征描述隶属云的方法和正态隶属云的数学模型，探讨了隶属云发生器的实现技术及应用场合，从而为社会和自然科学中的诸多问题用定性和定量相结合的处理方法奠定了基础。     

基于正态云神经网络的齿轮泵的故障诊断研究

为了提高齿轮泵故障诊断的正确率,将正态云神经网络应用于其故障诊断中。将正态云模型和神经网络融合在一起构造了正态云神经网络,构造了云神经网络的结构,并且给出了各层的算法。通过云变换进行了系统的结构辨识,然后通过训练可以获得优化的人工神经权值和阈值,最后,将测试数据输入正态云神经网络,根据正态云神经网络的输出向量可以判断出齿轮泵的故障。进行了基于正态云神经网络的齿轮泵的故障仿真实例分析,结果表明,正态云神经网络能够准确地诊断出齿轮泵的故障,并且具有较高的故障诊断效率。     

定性规则的云表示

云模型是定性定量间的不确定转换模型，它将概念的模糊性和随机性集成在一起，利用云模型可以有效地表示基于语言值的定性规则。但已有的文献中，定性规则的云表示多种多样，文章根据各种云的内在联系提出了一维正态云的定性规则的统一表示。     

基于信息熵的地学空间数据挖掘模型

从信息熵的基本概念出发,认为地学空间数据子集划分产生的互信息或熵减源于子集划分,使得各个子集的不确定性或模型糊降低,并且子集之间的差异性增在 最大熵减的子集划分方案代表一定的地学模式和地不规律。以此为基础分别探讨了地学数据属性要素的子集划分产生多维属性关联规则,以 间和时间的子集分割来进行了聚类的方法。     

一种基于邻域粒度熵的离群点检测算法

离群点检测是数据挖掘领域的重要研究方向之一,其目的是找出数据集中与其他数据对象显著不同的一小部分数据。离群点检测在网络入侵检测、信用卡欺诈检测、医疗诊断等领域有着非常重要的应用。近年来,粗糙集理论被广泛用于离群点检测,然而,经典的粗糙集模型不能有效处理数值型数据。对此,本文利用邻域粗糙集模型来检测离群点,在邻域粗糙集中引入一种新的信息熵模型——邻域粒度熵。基于邻域粒度熵,提出一种新的离群点检测算法OD_NGE。实验结果表明,相对于已有的离群点检测算法,OD_NGE具有更好的离群点检测性能。     

信息熵在粗糙集中衍生的几个概念

随着对粗糙集理论研究的的深入,基于信息论的信息熵陆续被引入到粗糙集研究中,陆续产生了一些如条件熵、联合熵、知识熵、决策熵、知识粗糙熵、粗集粗糙熵等新的概念,尽管丰富了粗糙集理论和应用,但使用中存在语义不统一的地方,甚至缺乏必要的说明和证明。对这些有价值的新概念作了系统的、严格的、规范的定义及阐述,给出了它们的公式表示,同时,通过相关熵的运算揭示彼此间的关系,最后指出这些熵的应用范畴,以便研究人员在清楚概念的基础上作进一步研究。     

云理论及其在空间数据发掘和知识发现中的应用

云理论是以研究定性定量间的不生转换为基础的系统处理不确定性问题的一新理论,包括云模型,虚云,云运算,云变换,不确定性推理等内容,云理论为数据发掘和知识发现中的许多基础性关键问题提供了新的解决方法,如概念和知识表达,定性定量转换,概念的综合与分解,从数据中生成概念和概念层次结构等。     

基于最大熵原理的空间特征选择方法

特征选择在模式识别和数据挖掘等领域都有十分广泛的应用.然而,当涉及空间数据时,由于传统特征选择方法没有很好地考虑数据的空间特性,所以会导致特征选择结果性能下降.从空间数据本身的特性出发,提出一种特征选择方法MEFS(maximum entropy feature selection).MEFS在基于最大熵原理的基础上,运用互信息和Z-测试技术,采用两步方法进行空间特征选择.第1步,空间谓词选择;第2步,选择与每个空间谓词对应的相关属性集.最后,分别对MEFS方法和RELIEF方法以及基于MEFS的分类方法与决策树算法ID3分别进行了实验比较.实验结果表明,MEFS方法不仅可以节约特征提取和分类时间,而且也极大地提高了分类质量.     

Conditional entropy for incomplete decision systems and its application in data mining

Rough set theory is a useful mathematic tool for dealing with vague and uncertain information. Shannon's entropy and its variants have been applied to measure uncertainty in rough set theory from the viewpoint of information theory. However, few studies have been carried out on information-theoretical measure of attribute importance in incomplete decision system (IDS) considering the relation between decision attribute and condition attributes. In this paper, we introduce the concept of conditional entropy together with entropy and joint entropy in IDSs. By using the new conditional entropy, we propose a measure for attribute importance. Based on the measure, a heuristic attribute reduction algorithm is presented. Some test experiments on real-lift data-sets show the effectiveness of the algorithm. The attribute importance measure and the attribute reduction algorithm can be used in data mining or machine learning for handling incomplete data.     

应用近似模糊熵的不完备信息系统属性约简

属性约简是Rough集理论的重要研究内容,基于信息熵的属性约简是一种有效的属性约简方法。在实际应用中,获取的信息系统通常是不完备的。针对这种问题,在容差关系下对个体进行分类时,基于属性子集redu与CAttr(属性全集)-redu之间的内在联系,定义了一种新的知识熵,提出了一种新的应用近似模糊熵的不完备信息系统属性约简算法(newS算法),其时间复杂度是O(｜C｜²∑mi=1(k^p_i)²)。最后,在ROSE和UCI data中的6个数据集上进行了实验仿真,结果表明newS算法是可行的,并且在同等约简效果下与其他算法相比具有更高的属性约简效率。     

基于群体智能的增量数据挖掘方法研究

增量式挖掘方法有适应大规模动态数据、降低内存需求和可实现并行处理等诸多好处,但是目前的增量式聚类方法存在参数限制较多和计算结果不够准确等问题.在信息源变化的数据挖掘体系结构下,利用一群特殊的智能代理增量修改知识模型,提出了群体智能聚类模型的构建方法及增量模型维护算法.该方法利用信息熵加快聚类过程,根据信息素和数据库的插入及删除增量操作调整已生成的聚群,设定的参数较少,实验表明聚类结果准确.     

基于一卡通数据活动熵的学生活动规律研究

随着信息化技术的快速发展与广泛应用,数据挖掘在教育大数据中得到越来越多的重视。目前尚无利用一卡通数据对学生活动规律性进行量化评价的研究。本文以某高校13575名本科生为研究对象,利用其一学年的790万条校园一卡通消费记录,定义了活动熵,提出衡量学生活动规律性的时空加权活动熵算法,计算并量化每个学生的活动规律值。基于活动熵对学生进行聚类,并结合部分学生的成绩数据、图书借阅数据以及消费特征,运用Apriori关联算法分析学生群体和个体行为,挖掘出隐含的关联规则。分析结果与心理学科的研究结果有较高的一致性,对于多元评价学生及智慧校园管理具有科学的指导作用。