基于强跟踪滤波器训练的前向神经网络及其在系统辨识中的应用研究*

给出基于强跟踪滤波器训练前向神经网络的新方法。由于强制残差序列保持相互正交,强跟踪滤波器相对扩展Kalman滤波的收敛速度更快,同时精度更高。最后通过系统辨识仿真实例验证该方法的有效性。     

未确知均值聚类

利用未确知系统理论分析特征对样本分类所作贡献,定义特征的分类权重,并作为启发性知识用于确定样本与各类间的加权距离及样本属于各类的隶属度,建立未确知均值聚类算法。IRIS数据检验表明,未确知均值聚类算法误判样本数少、收敛速度快、鲁棒性好,是一种实用、有效的无监督聚类算法。     

未确知均值聚类

利用未确知系统理论分析特征对样本分类所作贡献,定义特征的分类权重,并作为启发性知识用于确定样本与各类间的加权距离及样本属于各类的隶属度,建立未确知均值聚类算法。IRIS数据检验表明,未确知均值聚类算法误判样本数少、收敛速度快、鲁棒性好,是一种实用、有效的无监督聚类算法。     

与判断矩阵一致性无关的单准则排序法

通过“标度变换”把不具“可加性”的比例标度转化为评分标度,利用评分标度的“可加性”可计算比较对象的得分、并按得分率对比较对象排序.与已有单准则排序方法的实质性区别是,勿需进行一致性检验.     

基于特征权重的遗传聚类方法

本文提出的聚类方法与通常的分区聚类方法区别在于：(1)从遗传算法角度考虑聚类问题；(2)在特征权重基础上构造个体适应度函数，通常的聚类方法没有考虑特征对分类的不同影响；(3)用基于罚函数的小生境遗传算法处理聚类问题，最大限度地保证搜索到全局最优解和所有局部最优解。算法具有通用性。     

BP神经网络在房地产估价中的应用

将改进型BP网络用于房地产估价，通过在识别阶段对训练样本分类正确率问题的讨论，提出运用欧氏距离对网络的识别系统进行改进的方法。应用实例表明改进识别方法的BP网络应用在房地产估价中能使待判样本分类正确率从90．5％提高到100％，相应的估价误差从1．7％降低到0．3％。     

函数相关论初探

本文剖析了事物发展过程的相似性与接近性,给出了函数相关度定义,讨论了函数相关度的基本性质;同时阐明了函数相关分析的一般过程     

灰色补偿神经网络及其应用研究

本文给出了灰色系统与神经网络的一种新的结合方式—灰色补偿神经网络。该网络利用神经网络建立残差与数据间的映射关系,并采用其预测结果补偿灰色系统模型的预测值。仿真结果表明本方法优于其它灰色神经网络。     

层次分析法一致性检验不是排序的必要条件

特征根排序方法是AHP的最主要方法，被认为是揭示方案相对重要性排序的最好方法。但是，特征根法排序本质依赖于判断矩阵的“一致性”条件，而设立的“一致性”检验指标本身就缺乏客观性，并且当一致性检验不能被接受时，特征根排序方法失效。另一方面，判断矩阵提供的数据客观地确定了方案间的某种真实排序。这种真实排序与判断矩阵是否具有一致性并无关系，本文的目的旨在阐明这些问题并给出了不受一致性限制的计算方案排序的有效算法。     

水质模糊综合评判模型的改进

水质分类的信息条件无法控制无量纲化造成的信息失真,所以,选择距离作为相似性度量的模糊识别不宜用于水质评价;隶属度作为样本点与各类间的相似性度量成为水质评价的最佳选择。但是,基于隶属度的模糊综合评判在算法上存在如下问题:①用"超标权"实现隶属度转换是错误的;②模糊隶属函数不规范。本文的改进方法是:①规范模糊隶属函数的拓扑空间结构、代数性质和标准化方法;②隶属度转换是一个数学计算过程,指标区分权重由指标值隶属度的熵确定。改进的模糊综合评判模型只在构造模糊隶属函数时用到先验知识。比较同案例的评价结果,显现改进前后的不同应用效果。