有限信念集上修正的一种方法

讨论了信念集是有限子句集时的信念修正方法.首先给出了一阶逻辑上求所有极小不协调子集的一个过程,证明了该过程的正确性;然后讨论了由有极小不协调的子集来实现信念修正的方法,介绍所开发的信念修正的原型系统;最后与相关工作进行了比较.     

基于值传递的快速故障诊断

本文提出了一种基于值传递的系统模型，重新定义了诊断，该定义与Reiter经典的诊断定义等价。在此基础上，给出了一种线性时间找到一个极小诊断的算法，该方法不需要计算极小冲突而直接得到极小诊断。该算法在给出诊断的同时，还给出了系统与该诊断对应的当前行为的一种合理解释。最后，给出了该方法与诊断测试结合实现系统修复的方法。     

非线性系统在线执行器故障诊断

针对一类含模型不确定性的非线性系统，提出了执行器故障检测与诊断的在线估计器设计方法．给出了故障诊断结构与算法，并分析了鲁棒性、灵敏度和稳定性．仿真结果验证了该方法的正确性．     

基于相邻矩阵快速构建虚拟主干网的近似算法

在无线Ad-hoc网络中,基于极小连通支配集的虚拟主干网技术对资源分配和路由优化具有重要的作用。首先证明了相邻矩阵理论的一个有关结论,然后利用此结论以及极大独立集和极小支配集的关系,提出了一种基于相邻矩阵快速构建无线Ad-hoc网络最小连通支配集的近似算法,并给出了算法的正确性证明、复杂性分析和近似比分析。仿真试验结果表明,利用该算法可以快速高效地构建Ad-hoc网络的虚拟主干网。     

一种基于ATMS的求解所有极小冲突集的新方法

在Reiter算法的基础上，本文提出一种基于ATMS的求解所有极小冲突集的新方法。其中，对每个元件模型最多调用一次就可求出所有的极小冲突集，防止了ATMS的多次调用，因而能够提高效率。本文提出了极小依赖集的概念，并据此对ATMS求得的极小冲突集进行了分类；分析了算法的复杂度，并将新方法与相关工作进行了比较。该算法程序容易编制，而且效率高。     

一个基于模型的故障诊断算法

基于模型的诊断方法是重要的故障诊断方法之一,本文首先分析了现有的基于模型的故障诊断的优缺点,指出了这些方法的不足之处,然后再对这些方法进行了改进。因为求诊断问题是针对受限语言的,所以我们只求受限语言的质蕴含项,并且在算法中增加了极小性检查,以确保得到的结论都是质蕴含项,在此基础上给出了一个基于模型的诊断算法。     

基于自适应观测器的时滞系统执行器故障诊断

该文研究了一类含有未知输人干扰和模型不确定性的线性时滞系统的故障诊断问题。通过设计自适应诊断观测器，得到了一种新型的鲁棒执行器故障诊断方法。首先针对确定性系统分别设计了检测观测器和自适应诊断观测器，前者能够检测出故障的发生，后者能够理想地估计出故障随时间变化的形状。然后考虑系统的外部干扰和模型不确定，改进了自适应诊断观测器的算法，证明了故障诊断系统的稳定性，提高了故障诊断系统的鲁棒性。最后给出了故障检测过程中阈值的选取原则。仿真结果表明算法具有良好的诊断性能。     

基于改进的冲突A*算法的卫星电源系统故障诊断方法研究

针对卫星电源系统的在轨故障诊断,提出了一种改进的冲突A*算法故障诊断方法;改进的冲突A*算法在冲突A*算法基础上增添了一个扩展节点消减模块,通过该模块可以达到故障隔离的目的,从而加快搜索速度;首先改进的冲突A*算法会生成一个候选诊断,然后在卫星电源系统模型中对应部件生成输出,当模型部件生成的输出与实际观测值不一致时,改进的冲突A*算法会缩减可扩展的冲突节点,然后生成下一个候选诊断并进行循环,直到搜索结束;采用多组件受约束卫星电源系统模型开展验证实验,结果显示,多重故障诊断中改进的冲突A*算法在搜索速度上相比冲突A*算法提升50%,证明了该算法在卫星电源系统故障诊断中应用的有效性。     

一种求解极小诊断的遗传模拟退火算法

基于模型的诊断方法是人工智能领域发展起来的一个十分活跃的分支.在该方法中,由极小冲突集求解极小击中集的过程是一个NP-Hard问题.尽管人们提出了不少算法,但是各种算法的效率仍然不是十分理想.通过将该问题映射到0/1整数规划问题,提出了将遗传算法与模拟退火算法相结合的问题求解思想.在给出遗传模拟退火(genetic simulated anncaling,简称GSA)算法和算法各个参数的同时,对算法的性能和求解精度进行了测试.GSA算法不仅比传统的算法效率有很大的提高,而且在冲突集基数大于35的情况下,较单独使用GA的算法在效率上提高约1/3～1/2.在求解精度上,GSA算法在大多数情况下能够求出98%～100%的极小诊断.     

训练支持向量机的Huber近似算法

支持向量机是基于统计学习理论的结构风险最小化原理提出来的一种新的学习算法，它把模式识别问题建模为一个简单约束的高维二次规划问题．该文利用Lagrangian对偶方法，给出此高维二次规划的无约束对偶问题；考虑到该对偶问题是不可微的，利用Huber近似将其近似转化为连续可微的分片二次函数的无约束极小化问题．证明了该分片二次函数的极小点对应原二次规划的ε最优解，而用此极小点可直接算出支持向量和最优超平面．最后针对分片二次函数的特点，提出了Newton型算法，结合精确一维搜索技巧，可以快速求解该问题．数据实验结果仿真表明该算法能够在低存储需求下有效提高大数据量、高维问题的训练学习速度．     

基于集合枚举树的最小属性约简算法

为了寻找一种有效的最小属性约简方法,给出了条件属性集上的属性重要度序关系,基于此序关系构建了属性集上的集合枚举树,提出了一种快速的最小属性约简算法,该算法采用至上而下、层次优先策略搜索集合枚举树寻找属性最小约简。为了提高算法性能,该算法采用核和父集剪枝策略减少搜索空间,采用优化计算来确保同一集合的正域只计算一次。基于UCI数据的实验结果表明,该算法是有效的。     

一种改进的二进制可辨识矩阵及属性核计算方法

属性约简是粗糙集理论中的一个重要内容，其核心任务是得到属性集的核。本文对目前求核方法存在的问题进行了分析，提出了一种改进的二进制可辨识矩阵及属性核计算方法，并证明了方法的正确性。该方法适用于任何决策表（相容的或不相容的）。     

一种基于不完备决策表的求核方法

求核是粗糙集理论的重要研究内容之一,现有的求核算法大部分都是基于完备决策表的,对基于不完备决策表的求核研究很少。提出了不完备决策表二进制差别矩阵的构造方法,在此基础上,利用二进制差别矩阵设计了一种不完备决策表的求核算法。从理论上证明了基于二进制差别矩阵的求核与基于正区域的求核是相等的。新算法的时间复杂度是[O(|C||U|2)],用实例分析说明了新算法的正确性。     

计算主动数据库中不可归约规则集的有效算法

主动数据库中规则集的可终止性判定是一个重要问题，已经成为一个研究热点．有些研究工作提出了在编译阶段运用触发图和活化图的方法解决这个问题，其中的一个关键技术就是计算主动规则集的不可归约规则集．现有的计算方法由于具有一定保守性，使得计算出的不可归约规则集仍可进一步地归约，这无疑将影响到规则集的可终止性判定的准确性和运行阶段规则分析的效率．经过深入分析活化规则可无限执行的特点，提出了活化路径等概念．基于这些概念，提出了一个计算主动规则集的不可归约规则集的有效算法，使现有方法求得的不可归约规则集得到进一步的归约．     

基于等价关系的最小乐观概念格生成算法

决策信息系统的规则提取是数据挖掘的研究内容之一,概念格理论与粒计算理论是该领域研究的主要数学工具。文中通过探究这两大理论间的关系,利用等价关系定义了最小乐观概念格及其结构,最小乐观概念区别于传统经典概念,但是具有格的结构。在此基础上,提出了一种决策信息系统的规则提取算法,该算法引入了粒度思想,通过求取每一粒层中的最小乐观概念,并根据最小乐观概念的外延与决策属性等价类间的蕴含关系进行决策规则提取,通过设置算法的终止条件来加快其收敛速度,以达到针对决策信息系统知识约简的目的。最小乐观概念的定义比经典概念的定义更宽泛,其生成过程也更简单。最后,通过理论证明、实例验证以及数值实验对比验证了该方法的正确性与优越性。     

基于改进启发式遗传算法的属性约简方法

为了获得决策系统中属性的极小相对约简,将决策表中相对于每个条件属性的集合和划分的粗糙逼近精度作为衡量属性重要程度的准则,并以此作为启发式信息引入遗传算法,提出一种在优化初始种群的基础上提高算法性能的启发式遗传算法。通过构造一个修正算子并将其引入启发式信息,以保证被选择的属性子集的分类能力不变。该算子利用启发式信息的局部搜索技术,使得算法既保持了整体的优化特性,又具有较快的收敛速度。实例证明,该算法能有效地对决策系统进行约简。     

粒矩阵属性约简的启发式算法

属性约简是粗糙集理论一个重要的研究问题.在粗糙集理论上,利用粒计算的思想构建了粒矩阵,提出并定义了粒矩阵相与运算,建立了基于粒矩阵的知识粒化方法,并且给出了粒矩阵属性约简的启发式算法.采用粒矩阵进行属性约简选择最小属性集,跳出了传统属性约简的先求解属性核,再求解最优属性集的方法.理论分析表明了新的算法是可靠有效的,给粒计算属性约简提供一个新的思路,为进一步研究粒计算提供可行的方法.     

Correctness of constructing optimal alphabetic trees revisited

Several new observations which lead to new correctness proofs of two known algorithms (Hu-Tucker and Garsia-Wachs) for construction of optimal alphabetic trees are presented. A generalized version of the Garsia-Wachs algorithm is given. Proof of this generalized version works in a structured and illustrative way and clarifies the usually poorly understood behavior of both the Hu-Tucker and Garsia-Wachs algorithms. The generalized version permits any nonnegative weights, as opposed to strictly positive weights required in the original Garsia-Wachs algorithm. New local structural properties of optimal alphabetic trees are given. The concept of well-shaped segment (a part of an optimal tree) is introduced. It is shown that some parts of the optimal tree are known in advance to be well-shaped, and this implies correctness of the algorithms rather easily. The crucial part of the correctness proof of the Garsia-Wachs algorithm, namely the structural theorem, is identified. The correctness proof of the Hu-Tucker algorithm consists of showing a very simple mutual simulation between this algorithm and the Garsia-Wachs algorithm. For this proof, it is essential to use the generalized version of Garsia-Wachs algorithm, in which an arbitrary locally minimal pair is processed, not necessarily the rightmost minimal pair. Such a generalized version is also needed for parallel implementations. Another result presented in this paper is the clarification of the problem of resolving ties (equalities between weights of items) in the Hu-Tucker algorithm. This is related to the proof, by simulation, of correctness of the Hu-Tucker algorithm. It is shown that the condition that there are no ties may generally be assumed without harm and that, essentially, the Hu-Tucker algorithm avoids ties automatically.     

一种启发式知识约简算法

属性约简是Rough集理论中的核心问题之一,找出所有的约简或最小约简是一个NP难题.本文证明了正区域和边界域的一些性质,指出在考虑正区域作为启发信息的同时,还应该考虑在不一致决策表中边界域对约简的影响,综合这两种信息,提出了不一致决策表约简的启发信息.并在此基础上,设计了不一致决策表的启发式约简算法.实验证明,在多数情况下,该算法能够得到决策表的最小或次优约简.     

基于最小集合覆盖的属性约简算法

在粗糙集理论的各种应用中,属性约简算法具有重要的意义,因而对属性约简算法的研究一直是粗糙集理论研究中的重点问题之一。在对属性约简算法充分研究的基础上提出一种基于最小覆盖集的粗糙集属性约简算法,即通过构造知识系统的一种改进的相关矩阵将属性约简简化为最小覆盖问题。将该算法与文献[7]中的算法进行实验比较并对结果进行分析,实验结果表明,当随着数据量增大时该算法具有更小的时间复杂度。