基于遗传优化的PCA-SVM控制图模式识别

针对SVM和PCA-SVM进行质量控制图模式识别时泛化能力不足和识别精度不高的问题,提出一种基于遗传优化的PCA-SVM控制图模式识别方法。该方法的基本思想是首先基于特征子空间降维方法,运用PCA算法对原始特征样本进行主元分析,有效降低原始特征样本维数并突出聚类,提取各模式之间的主元特征;然后把此特征看成遗传算法中一组染色体,对支持向量机分类器核参数和惩罚因子进行二进制编码,通过对随机产生的一组染色体进行模式识别,并将此识别率作为遗传算法的适应度函数,通过选择、交叉和变异操作,对其参数进行自适应寻优;最后用优化的支持向量机分类器进行控制图模式识别。通过仿真进行验证,结果显示基于遗传优化的PCA-SVM分类器模型的控制图模式泛化能力强、识别精度高,可适用于生产现场质量控制。     

一类连续的K-means 等价聚类模型及其优化算法

聚类作为一种非监督学习方法是数据科学中重要的研究内容.K-means是一种基于划分的聚类算法,一般是利用启发式算法求解一个离散的NP问题.为增强K-means在大数据问题中的应用性,从聚类矩阵的属性出发,设计了一类非凸连续的K-means等价聚类优化模型,并利用ADM M框架给出了该等价模型的快速优化算法.数值实验结果表明了该模型及其优化算法在大数据聚类中的准确性和高效性.此外,还讨论了该模型的性质及等价性问题.     

欧式加权几何平均价格亚式期权定价

引入几何Brown运动对标的资产的价格进行建模,在Black Scholes环境下,给出欧式加权几何平均价格亚式期权封闭形式的解析定价公式。     

基于核主元分析的神经网络控制图模式识别

针对异常特征之间存在较大的相似性而带来的网络结构复杂和识别精度不高的问题,提出一种基于核主元分析的神经网络控制图模式识别方法。先通过核方法将低维空间中的非线性特征转化为高维空间中的线性特征,再将其进行线性组合并向低维空间投影,然后用BP神经网络分类器对控制图模式进行识别。通过仿真进行验证,结果显示该方法对控制图各个模式能够有效聚类,并且识别精度得到提高。     

一类对坐标的曲线积分问题的注记

研究了一类关于坐标的曲线积分的典型问题的多种解题方法,并在此基础上给出了该类问题的一般形式的解析公式。     

融合PLS监督特征提取和虚假最近邻点的数据分类特征选择

在高维数据分类中,针对多重共线性、冗余特征及噪声易导致分类器识别精度低和时空开销大的问题,提出融合偏最小二乘(Partial Least Squares,PLS)有监督特征提取和虚假最近邻点(False Nearest Neighbors,FNN)的特征选择方法:首先利用偏最小二乘对高维数据提取主元,消除特征之间的多重共线性,得到携带监督信息的独立主元空间;然后通过计算各特征选择前后在此空间的相关性,建立基于虚假最近邻点的特征相似性测度,得到原始特征对类别变量解释能力强弱排序;最后,依次剔除解释能力弱的特征,构造出各种分类模型,并以支持向量机(Support Vector Machine,SVM)分类识别率为模型评估准则,搜索出识别率最高但含特征数最少的分类模型,此模型所含的特征即为最佳特征子集。3个数据集模型仿真结果:均表明,由此法选择出的最佳特征子集与各数据集的本质分类特征吻合,说明该方法:有良好的特征选择能力,为数据分类特征选择提供了一条新途径。     

基于最大熵NN的教学质量评价模型及仿真

教学质量评价是教学管理中的重要工作,其关键是建立影响教学质量的众多指标与评价结果间的复杂非线性关系模型.BP神经网络虽能建立相关模型,但却在建模过程中未考虑由专家经验知识所积累的各评价指标与评价结果的不确定性分布信息,导致模型预测的评价结果准确性差且模型泛化性能弱.为此,本文选用具备刻画不确定性分布信息功能的最大熵准则替换BP算法中的均方误差准则,从而获得教学质量的最大熵神经网络评价模型.数据仿真和重庆理工大学50名教师评价实例均显示,改进模型的预测评价结果相对误差均在6％内,且明显优于传统BP神经网络模型.表明了改进模型的评价结果具有很高的可信性和较强的泛化能力,从而为实现教学质量的准确评价提供了一个可行方法.     

有向网络拓扑下非线性多智能体系统的固定时间包含控制

针对具有本质非线性动态的多智能体系统,研究固定时间的包含控制问题.假设只有部分跟随智能体能够直接获取领导智能体的状态信息,而且跟随智能体的通信拓扑是有向的,设计分布式的控制协议来解决固定时间的包含控制问题.利用代数图论、矩阵理论和固定时间稳定性理论,得到了系统解决包含控制问题的拓扑条件.最后仿真实例验证了理论的正确性.