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。     

Robust state estimation for uncertain linear systems with deterministic input signals

In this paper, we investigate state estimations of a dynamical system in which not only process and measurement noise, but also parameter uncertainties and deterministic input signals are involved. The sensitivity penalization based robust state estimation is extended to uncertain linear systems with deterministic input signals and parametric uncertainties which may nonlinearly affect a state-space plant model. The form of the derived robust estimator is similar to that of the well-known Kalman filter with a comparable computational complexity. Under a few weak assumptions, it is proved that though the derived state estimator is biased, the bound of estimation errors is finite and the covariance matrix of estimation errors is bounded. Numerical simulations show that the obtained robust filter has relatively nice estimation performances.     

Introducing robustness in model predictive control with multiple modelsand switching

Model predictive control is model-based. Therefore, the procedure is inherently not robust to modelling uncertainties. Further, a crucial design parameter is the prediction horizon. Only offline procedures to estimate an upper bound of the optimal value of this parameter are available. These procedures are computationally intensive and model-based. Besides, a single choice of this horizon is perhaps not the best option at all time instants. This is especially true when the control objective is to track desired trajectories. In this paper, we resolve the issue by a time-varying horizon achieved by switching between multiple model-predictive controllers. The stability of the overall system is discussed. In addition, an introduction of multiple models to handle modelling uncertainties makes the overall system robust. The improvement in performance is demonstrated through several examples.     

不确定性数据频繁项集挖掘算法

由于不确定性数据大量存在于传感器网络,移动计算,军事,电信等应用领域,传统的频繁项集挖掘算法难以适用到不确定性数据挖掘。为了解决这个问题,本文提出了一种快速有效的算法,该算法基于可能世界模型,只需要扫描一次数据库,且没有建树的过程,通过实验证明,我们提出的算法比UF_Growth算法效率更高。     

一种基于聚类加权的文本特征生成算法

目前的文本特征生成算法一般采用加权的文本向量空间模型,该模型使用TF-IDF评价函数来计算单个特征的权值,这种算法生成的文本特征冗余度往往都比较高。针对这一问题,采用了一种基于聚类加权的文本特征生成算法,首先对特征候选集进行初始加权处理;然后通过语义和信息熵对特征进行进一步加权处理;最后使用特征聚类对冗余特征进行剔除。实验表明该算法比传统的TF-IDF算法的平均分类准确率高出5%左右。     

基于未确知数学理论的建筑结构可靠性分析

本文结合结构可靠性评估特点,应用未确知测度、置信度的概念,建立了基于未确知测度的工程结构可靠性评估模型,并结合工程实例,验证该模型在处理大量不确定性影响因素时丢失信息少,得到的评估结果能够客观全面地反映结构可靠性。该评价方法操作相对简单,满足工程需要,更加实用。     

蚁群优化算法在求解随机组合优化问题中的应用综述*

不确定条件下的优化问题更贴近真实世界环境,因而日益受到广泛关注。综述了蚁群优化在求解一组不确定条件下的组合优化问题,即随机组合优化问题方面的应用。首先介绍了不确定条件下组合优化问题的概念分类模型,给出了随机组合优化问题的一般定义;然后指出了其与求解传统确定性组合优化问题的不同之处,即目标函数的计算存在不确定性,并详细论述了目前解决方法的进展;最后分析了该领域值得重点关注的几个研究方向,并对其未来发展进行了展望。     

基于云模型和灰关联的油气圈闭多域信息评价

云模型是在传统模糊数学和概率统计的基础上提出的定性、定量转换模型.为了建立油气藏与圈闭面积、圈闭闭合幅度、油气运移通道、地层孔隙度、烃源生油与圈闭形成时间、空间匹配性等因素的定性定量关系,传统的多域信息评价方法多采用因素硬化值构建定性定量关系模型,这很大程度受制于专家的知识和经验.结合云模型和灰关联分析,考虑油气圈闭评价因素的模糊性、随机性和小样本不确定性,实现圈闭多域信息的定性与定量间的转换,提出了一种油气圈闭多域信息评价新方法.对中国西北顺托果勒某地区提取的圈闭进行评价,分别划分出了Ⅰ、Ⅱ和Ⅲ类圈闭,其中Ⅰ类圈闭占圈闭总数的37.5%;Ⅱ类圈闭占圈闭总数的37.5%;Ⅲ类圈闭占圈闭总数的25%,与实际开发评价结果吻合.     

不确定系统具有圆盘极点约束的跟踪控制器设计

研究了一类具有圆盘极点约束的不确定系统的无静差跟踪控制器设计问题.考虑状态反馈控制器,使得闭环跟踪控制系统的所有极点均位于一给定圆盘.进一步的,考虑极点配置会使得闭环系统产生稳态误差的情况,通过引入一个积分环节实现无静差跟踪控制的目标.给出了闭环跟踪控制系统所有极点均位于给定圆盘的一个充要条件,并将跟踪控制器的设计转化为求解一个具有线性矩阵不等式约束的凸优化问题.最后通过仿真结果表明笔者方法的有效性.