基于动态加权集成学习的遥测数据预测方法

飞行任务中的遥测数据是飞行器中各功能子系统监测模块顺序产生的多维时间序列,其反应各子系统功能是否正常,对遥测数据的精准预测是研判飞行器运行状态的重要依据;针对已有时间序列预测算法会随时间劣化的缺点,提出基于集成学习原理的动态加权神经网络集成算法;该方法通过神经网络强数据拟合能力,集成学习算法具有的泛化特性和动态加权算法适应数据的漂移变化特性,提升算法的整体预测精度;选择多层感知机神经网络作为基学习器,给出神经网络基学习器结构设计方法和优化方法,以及动态加权算法的具体过程,将其与静态加权算法进行比较实验,该算法对预测精度提高效果显著,一定程度抑制数据的漂移,结果表明采用动态加权集成学习适合对遥测数据的预测.     

基于均值漂移的多目标被动连续跟踪算法研究

本文基于均值漂移方法设计了一种新的多目标被动连续跟踪算法.该算法分为两部分:先是对采集到的多目标图像进行预处理,包括灰度化、消噪和背景抑制三项工作,从根本上提高目标图像本身的质量;然后融合特征提取和目标检测步骤,利用均值漂移算法实现对多目标物体的检测与跟踪.仿真实验结果表明,与几种典型跟踪算法相比,应用基于均值漂移的算法后,多目标跟踪误差更小,其跟踪结果的平均偏差最大值仅为1.61 m,且跟踪响应耗时最大值仅为900 ms,证明其能够实现对运动目标的准确、可靠跟踪.     

基于改进GNG算法的燃煤锅炉数据动态特征分析与控制

数据动态特征分析与控制技术是一种重要的数据挖掘手段,燃煤锅炉数据具有明显时序性和漂移性等特点,针对目前数据跟踪与监督算法大多缺乏动态性、实时性和稳定性等问题,设计一种基于改进生长神经气模型(GNG)的自适应聚类模型,建立基于概率、范围搜寻、节点平均距离的节点生成、删除机制,实现对漂移数据实时监控.最后以燃煤锅炉动态数据为分析对象进行实验,实验结果表明该模型和算法对动态漂移数据的实时跟踪能力更强,能对燃煤锅炉动态数据进行准确、有效的监督和控制.     

基于GPS的露天矿动态路径生成算法

在露天矿运用车载GPS进行矿车监控和矿岩量运载统计时,经常出现车辆定位漂移和运载统计不准确等问题。为此,提出用于车辆定位漂移的判断和校正方法,运用信息素思想设计一种车辆运载动态路线生成算法,该算法能够对露天矿全矿路线图进行动态更新,使矿车在一个相对标准的固定路线上行驶,从而解决车载GPS定位漂移问题,提高车辆定位的精度及运载统计的准确度。理论分析和应用结果表明,该算法有效可行。     

概念漂移数据流集成分类算法综述

针对概念漂移数据流集成分类算法的基本概念、相关工作、适用范围及优缺点等方面进行具体阐述,重点分析突变型、渐变型、重复型和增量型集成分类算法,以及集成分类中的Bagging、Boosting、基分类器组合学习策略与在线学习、基于块的集成、增量学习关键技术,指出现阶段概念漂移数据流集成分类算法所需解决的主要问题,并对集成基分类器的动态更新与加权组合、多类型概念漂移的快速检测等研究方向进行分析和展望。     

基于双直方图自适应选择的目标跟踪算法*

针对传统的均值漂移算法,加入了梯度方向直方图及其与颜色直方图的自适应选择,提高了均值漂移算法在复杂场景中目标跟踪的鲁棒性。传统的均值漂移算法往往选择固定的一个颜色直方图对目标进行跟踪,当目标自身或者跟踪场景发生变化时,容易跟踪失败。通过分析被跟踪目标在当前场景中与目标模板在颜色以及梯度方向上的相似性并设定阈值,从而选择并使用当前有效的目标特征,实现复杂变化场景下的目标跟踪。一系列不同场景下的运动目标跟踪实验,证实了该算法的可靠性。     

基于自适应带宽均值漂移聚类算法设计传递函数

本文采用均值漂移聚类算法为三维数据场设计传递函数.首先根据采样点的分布提出了两种自适应的带宽计算方法;然后利用梯度幅值对采样点加权,实现数据场的物质分类;最后对分类的结果设计高斯型的映射函数.实验表明,与固定带宽均值漂移算法相比,该方法提高了算法的速度和分类的准确性,并获得了高质量的绘制效果.     

基于动态机器学习的信用评估模型

随着计算机技术的发展，利用机器学习算法构建自动化评估模型已经成为金融机构进行信用评估的重要手段。然而，目前信用评估模型仍存在一些问题：信用数据本身存在类别不平衡和高维特征的问题，并且不同的时间下外界环境的改变会影响信用主体的行为，即数据会产生概念漂移现象。为此，文中提出了一个动态的信用评估模型，通过集成学习在新的增量数据上训练基分类器，并对各个基分类器的权重进行动态调整来适应概念漂移，以实现模型的动态更新。当发生概念漂移时，会针对概念漂移的检测结果对高维不平衡的信用数据进行不同形式的均衡化和特征选择。特别地，针对特征选择，文中提出了结合历史代表性样本的增量特征选择算法，该算法能够进行高效准确的特征选择，从而使模型可以同时解决增量信用数据存在的高维不平衡和概念漂移问题。最后，文中选取了真实的增量高维信用数据集，验证了所提算法相比其他主流算法在准确率和效率上的优越性。     

关系数据库中的关键词查询结果动态优化

本文浅谈了有关关键词查询的内容,并对蚁群优化算法以及概念漂移原理进行了详细的介绍.运用蚂蚁在觅食过程中所搜集的信息和根据环境所反馈的信息,用户可以在最快时间内锁定最为精确的答案.而概念漂移能够及时捕捉用户兴趣的改变,并依据这种改变通过一系列的优化方法达到优化查询结果的目的.为更能高效地优化关系数据库关键词查询的结果,应该将蚁群优化算法和概念漂移算法有效地结合起来.     

混沌系统动态多目标免疫优化算法及其应用

生物免疫系统的自适应学习、免疫记忆、抗体多样性及动态平衡维持等功能,提出一种动态多目标免疫优化算法处理动态多目标优化问题.算法设计中,Logistic映射产生混沌抗体群;利用抗体的被控度和抗体拥挤距离设计抗体的亲和力;借助控制概念将群体分为非控群和被控群,再分别对其施行不同方式的突变增强群体的多样性;利用免疫记忆、Averagelinkage聚类方法,设计外部集和记忆集分别保存非控个体和亲和力较高抗体,所获的记忆细胞参与相似或相同环境初始抗体群的生成;借助三种不同类型的动态多目标优化测试问题,通过与两种最新的动态多目标进化算法及一种动态多目标克隆选择算法比较,数值实验论证了所提出算法在动态跟踪Pareto面的速度和执行效果上较其它算法优越.     

求解动态车辆调度问题的混合禁忌搜索算法

对带时间窗的动态车辆调度问题进行分析,引入虚拟点和时间轴概念,建立基于时间轴的动态车辆调度模型,并提出基于C-W节约法和禁忌搜索的混合禁忌搜索算法进行求解.算法中使用动态方法构造候选解和动态禁忌长度的选取策略来提高算法的收敛速度,最后通过测试实例验证了该混合算法解决动态车辆调度问题的有效性和可行性.     

动态分阶段蚁群算法及其收敛性分析

为了提高蚁群算法的收敛速度和求解精度，根据仿生优化算法在不同阶段的特点，提出一种改进的蚁群算法．该算法对参数和选择策略进行了分阶段设计，而且参数的分阶段是根据寻优状态动态划分的．通过对蚁群系统马尔科夫过程进行分析，证明了该算法的全局收敛性．针对典型的TSP问题进行仿真对比实验，验证了该算法在速度和精度方面优于传统蚁群算法．     

基于最大互信息最大相关熵的特征选择方法

特征选择算法主要分为filter和wrapper两大类,并已提出基于不同理论的算法模型,但依然存在算法处理能力不强、子集分类精度不高等问题。基于模糊粗糙集的信息熵模型提出最大互信息最大相关熵标准,并根据该标准设计了一种新的特征选择方法,能同时处理离散数据、连续数据和模糊数据等混合信息。经UCI数据集试验,表明该算法与其他算法相比,具有较高的精度,且稳定性较高,是有效的。     

约束动态免疫算法及对背包问题性能测试研究

借鉴人工免疫系统的记忆、动态识别等功能,提出一种约束动态免疫算法(CDIOA),并用于高维约束动态背包问题的求解。通过随机约束选择策略选择可行及非可行抗体,非可行抗体参与群体的进化;利用抗体修正策略确保进化群中有一定比例可行抗体,提高算法搜索功能;设计环境识别模块判断环境变化与否,建立环境记忆池保存较优秀记忆细胞,记忆细胞参与相似(相同)环境初始群的产生,加速算法在相似环境搜索速度。建立三种不同环境的动态背包问题作为标准测试实例,将CDIOA与已有的四种动态优化算法进行测试比较,结果表明:CDIOA对各测试问题在不同环境表现出较好的收敛性能,在相似环境能快速跟踪最优值。     

A pareto-based evolutionary algorithm using decomposition and truncation for dynamic multi-objective optimization

Maintaining a balance between convergence and diversity of the population in the objective space has been widely recognized as the main challenge when solving problems with two or more conflicting objectives. This is added by another difficulty of tracking the Pareto optimal solutions set (POS) and/or the Pareto optimal front (POF) in dynamic scenarios. Confronting these two issues, this paper proposes a Pareto-based evolutionary algorithm using decomposition and truncation to address such dynamic multi-objective optimization problems (DMOPs). The proposed algorithm includes three contributions: a novel mating selection strategy, an efficient environmental selection technique and an effective dynamic response mechanism. The mating selection considers the decomposition-based method to select two promising mating parents with good diversity and convergence. The environmental selection presents a modified truncation method to preserve good diversity. The dynamic response mechanism is evoked to produce some solutions with good diversity and convergence whenever an environmental change is detected. In the experimental studies, a range of dynamic multi-objective benchmark problems with different characteristics were carried out to evaluate the performance of the proposed method. The experimental results demonstrate that the method is very competitive in terms of convergence and diversity, as well as in response speed to the changes, when compared with six other state-of-the-art methods.     

一种基于DLS和ACO的平台资源规划方法

平台资源规划方法是作战任务规划的重要组成部分,为作战提供资源分配方案。描述了作战任务、平台以及它们之间的关系,建立了以最小化全部任务完成的截止时间和最大化平台资源的利用率为目标的数学模型。设计了用于求解此模型的动态列表规划(Dynamic List Scheduling,DLS)与蚁群算法(Ant Colony Optimization Algorithm,ACO)相结合的算法,其描述了任务选择方法、ACO的二进制编码方案及候选解构造策略,设计了不可行候选解的修正策略和信息素更新方法,构造了包含任务选择平台的时间优先系数、平台功能能力优先系数和后续任务对平台需求程度3个因素的适应度函数。针对作战想定进行了仿真计算,结果表明,基于DLS和ACO的平台资源规划具有良好的规划效果,相比于他人算法,其具有更少的全部任务完成截止时间和更高的平台资源利用率。     

基于动态策略的差分进化柔性车间优化调度

针对柔性作业车间调度问题,提出基于动态策略的差分进化优化方法。首先,基于差分进化算法框架,考虑个体之间的距离,设计种群拥挤度指标来衡量当前种群的分布情况,进而自适应判断算法所处阶段;然后,针对不同阶段的特点设计相应的变异策略池,实现变异策略的动态阶段选择,达到提高算法搜索效率的目的;最后,10个标准测试函数的计算结果表明了所提方法的有效性,进一步,采用工序和机器双层编码的方式,以最大完工时间为目标,求解得到作业车间调度测试问题的最佳调度方案。     

网络食品安全的歧义性消解算法

以网络食品安全信息为研究对象,旨在提出一个能够解决食品安全领域专有名词指代不明的歧义消解算法。文中采用的歧义消解算法是在改进的TF-IDF特征选择算法的基础上,结合了隐含马尔可夫模型(HMM)和SVM分类器,从而实现专有名词的歧义消解。提出了一个在TF-IDF的基础上增加两个加权因子的特征提取算法LN-TF-IDF。实验表明,以202831条文本实验所得的准确率和召回率的调和平均值F1值为评价标准,设计的基于改进TF-IDF的食品安全领域歧义消解算法的效果比基于传统TF-IDF的歧义消解算法平均提升了7.31%,且在不同时间抓取的实验数据集下,本算法的效果也相对稳定。     

基于改进模糊决策粗糙集的最小化决策代价特征选择算法

模糊决策粗糙集是决策粗糙集理论在模糊集环境下的重要延伸,然而该模型对含噪声的数据不具有很好的容忍性。为此在传统的模糊相似关系中引入一个限定阈值,提出一种改进的模糊相似关系。在其基础上对原始的模糊决策粗糙集进行重构,提出一种改进的模糊决策粗糙集模型。根据不同的特征选择方式,利用所提出的改进模型设计出两种搜索策略的最小化决策代价特征选择算法。实验分析表明,该算法比传统算法具有更高的优越性。     

基于语言信息一致性调整算法的数据产品选择

针对语言评价信息环境下的数据产品选择问题，设计了一种基于语言偏好关系加性一致性改进算法的数据产品选择模型。以专家提供的语言偏好关系信息为基础，引入了衡量语言偏好关系一致性水平的计算方法，提出了完全加性一致语言偏好关系的构造模型。构建了一种具有收敛性的基于语言偏好关系一致性改进算法的数据产品选择模型。通过数据产品选择实例，发现构建的决策算法更为可靠有效。