密炼机转子凸棱断面形状的最优化设计

分析了密炼机转子凸梭在橡胶混炼过程中的作用和地位。从提高剪切吃料效率的角度,建立起凸棱楔入角设计的数学模型。根据混炼实验研究的结果,确定出转子凸棱的最佳楔入角取值范围。在此基础上,导出了描述转子凸棱断面形状的最佳轮廓曲线方程。     

基于参数不确定性的概率预报研究

水文模型参数的选取通常依靠经验判断或者依赖历史库中的不完备数据集进行自动优选,所选参数并不一定能够准确反映流域降雨径流特点,更不足以反映不同洪水涨落阶段洪水特征的变化。基于水文模型参数存在显著不确定性的客观事实,以随机参数驱动水文模型,并结合数值模型实现概率预报。通过东湾流域36场洪水模拟试验,揭示了水文参数不确定性对洪水预报结果的显著影响,提出的概率预报算法能够给出精确、可靠的预报结果,说明该算法能够降低水文模型参数所带来的洪水预报不确定性。     

弱稀疏性下的无线传感器网络事件检测算法

为提高弱稀疏性条件下基于压缩感知的无线传感器网络事件检测的可靠性和有效性,提出一种迭代凸优化网络事件检测算法。该方法利用多次凸优化算法共同对弱稀疏性网络事件进行检测,在每次运行凸优化算法后,对已检测出的网络事件进行加权以降低权值,从而有利于其他网络事件在下次凸优化中得到检测。与以往的无线传感器网络事件检测算法相比,迭代凸优化检测算法可在网络事件稀疏性较弱的情况下保证成功检测概率。仿真实验验证了所提算法的正确性。     

金氰化浸出过程建模及实时优化自适应策略

以金氰化浸出过程为背景,基于物料守恒方程建立动态机理模型,用Tikhonov正则化方法估计动力学反应速度,进而辨识模型未知参数,有效降低了测量噪声对估计及辨识结果的影响;采用实时优化约束自适应方法减小模型参数失配对优化结果的影响.仿真结果表明,在模型参数失配时,所提出的方法仍能收敛到实际过程的最优设定点,不必求实际数据梯度,且受噪声影响小,便于实际应用,为湿法冶金全流程优化控制的顺利实施奠定了基础.     

不确定性R¨ossler 系统的自适应鲁棒跟踪控制

研究具有外部不确定性R¨ossler 混沌系统的鲁棒跟踪控制问题. 基于动态面控制原理设计自适应鲁棒控制器, 给出了系统参数的自适应更新律, 使得被控闭环系统的各误差变量一致有界. 系统输出曲线渐近跟踪任意期望轨道, 且跟踪误差能被控制在任意小的范围内, 而无须知道系统的参数及外部不确定性的界限. 基于稳定理论给出了具体的稳定性分析, 并通过数值仿真验证了该方法的有效性及鲁棒性.

     

基于稀疏流形聚类嵌入模型和L1范数正则化的标签错误检测

综合利用含错标签中的有用信息和数据结构中蕴含的鉴别信息,提出一种基于稀疏流形聚类嵌入模型和L1范数正则化的标签错误检测修正方法.首先,用稀疏流形聚类嵌入模型将数据投影到易分类的空间,利用标注正确的极少量样本和最近邻分类器获得新标签;然后,构造标签错误检测模型,获得仅含0、1元素的检测向量,正确、错误的标签分别对应着1、0的位置;最后,给出了相应的优化算法及收敛证明,并在相关实验上验证了算法的有效性.     

不确定时间序列的相似性匹配研究

确定时间序列的相似性匹配方法都没有考虑数据的不确定性,而现实世界中诸如温度传感器等设备采集到的数据往往是不确定的,并且两条不确定时间序列之间的距离也是不确定的,所以现有的确定时间序列的相似性匹配方法不适用于这些领域。针对此问题,提出了基于统计学的规约算法,并且基于该算法提出了不确定时间序列相似性匹配的两种新型算法。在规约过程中,规约算法优化了不同背景下不确定时间序列的小概率点和奇异点的处理。在匹配过程中,首先提出了圆环匹配算法,它通过构建匹配圆环完成相似性匹配,并且通过多次重启提高相似性匹配的准确度和效率;然后在规约算法的基础上,提出了期望匹配的改进算法,它通过增加包络约束消除期望匹配算法中出现的误判问题。     

一种求解截断L1正则化项问题的坐标下降算法

L1正则化在稀疏学习的研究中起关键作用,使用截断L1正则化项往往可以获得更好的准确率,但却导致了非凸优化问题.目前,主要采用多阶段凸松弛(multi-stage convex relaxation,MSCR)算法进行求解,由于每一阶段都需要求解一个凸优化问题,计算代价较大.为了弥补上述不足,提出了一种求解截断L1正则化项非凸学习问题的坐标下降算法(Non-convex CD).该算法只需在多阶段凸松弛算法的每一阶段执行单步的坐标下降算法,有效降低了计算复杂性.理论分析表明所提出的算法是收敛的.针对Lasso问题,在大规模真实数据库作了实验,实验结果表明,Non-convex CD在取得和MSCR几乎相同准确率的基础上,求解的CPU时间甚至优于求解凸问题的坐标下降方法.为了进一步说明所提算法的性能,进一步研究了Non-convex CD在图像去模糊化中的应用问题.     

不确定度模型下数据流自适应网格密度聚类算法

随着计算机技术及感知技术的发展及应用,各个领域普遍出现不确定性数据流形态的新型数据,吸引了众多研究者的关注.现有的数据流聚类技术普遍忽略不确定性特征,常导致聚类结果的不合理甚至不可用.为数不多的针对不确定性特征的聚类方法片面考察不确定性,且大多基于K-Means算法,具有先天缺陷.针对这一问题展开研究,提出了不确定度模型下数据流自适应网格密度聚类算法(adaptive density-based clustering algorithm over uncertain data stream,ADC-UStream).对于不确定性特征,该算法在存在级和属性级不确定性统一策略下,构建熵不确定度模型进行不确定性度量,综合考察不确定性.采用网格-密度的聚类算法,基于衰减窗口模型设计时态和空间的自适应密度阈值,以适应不确定性数据流的时态性和非均匀分布特征.实验结果表明,不确定模型下的数据流网格密度自适应聚类算法ADC-UStream在聚类结果质量和聚类效率方面都具有较好的性能.     

多层智能状态空间建模方法的研究及其应用

阐明了"多层智能状态空间"建模方法的研究现状,针对复杂大系统建模中的不确定性与不确知性,尤其是人为主观造成的模糊性与采样数据随机性并存的问题,结合云模型的相关理论和方法设计了"多层智能状态空间"建模方法,给出了模型构建的完整约束及智能信息处理方案。最后将该方法用于我国能源系统分析研究中,构建了多层能源系统分析模型,给出了模型的求解方法,建立仿真实验平台进行实验比对分析,取得了较好的结果,证明了该方法的简单性和有效性。