基于直觉模糊线性方程组的IFTS 预测方法

针对模糊时间序列预测理论对不确定性数据集的实时模糊变化趋势研究存在的不足, 规范了直觉模糊时间序列的定义, 提出了基于直觉模糊线性方程组的直觉模糊时间序列预测方法. 所提出的算法将模型的求解转化为一系列带有约束的线性规划问题, 准确地反映了序列数据随时间发展变化的模糊关联规律, 简化了预测模型的复杂度, 提高了时间序列预测的精度, 扩展了直觉模糊时间序列预测理论的应用范围. 最后, 通过仿真实验验证了所提出方法的有效性和优越性.

     

直觉模糊粗糙推理的规则库完备性研究

针对规则库检验问题,提出了直觉模糊粗糙规则库的完备性检验方法.首先,引入直觉模糊粗糙集的概念,给出了直觉模糊粗糙规则库的完备性定义;其次,针对直觉模糊粗糙规则库的完备性,提出了完备性检验算法,指出如何设计规则库才能满足完备性要求;最后,通过实例验证了算法的合理性和有效性.     

直觉模糊集合数据的聚类有效性分析

针对直觉模糊集合数据的聚类有效性问题,给出了一种用于发现最优模糊划分的聚类有效性方法.该方法采用直觉模糊相关度和直觉模糊熵两个重要因子来评价直觉模糊聚类的有效性.其中,直觉模糊相关度通过增加非隶属度参数对模糊相关度进行直觉化扩展,用于评价类与类间相关度的大小,同时加入权重参数解决了样本数据各维特征分配不均匀的问题,而直觉模糊熵用于检验分类结果的可靠性.最后通过实例验证了该方法对于紧致的、良好分离的教据集分类效果理想,其在目标编群、目标识别等信息融合领域有良好的应用前景.     

改进FCM聚类算法及其在入侵检测中的应用

针对模糊C-均值（FCM）算法的局限性,提出了一种具有两阶段的模糊FCM聚类改进算法。通过加入点密度函数加权系数和样本特征矢量权重对FCM聚类算法中的目标函数进行改造,进而给出迭代推导公式和算法描述。该算法克服了样本分布不均匀和样本特征矢量对分类贡献不均衡的情况,有效地提高了聚类精度。最后利用KDD CUP 99数据集进行实验,结果表明该算法具有良好的可靠性和可行性。     

基于直觉模糊Petri网的敌意图识别方法研究

现代战争中由于战场态势的不确定性,敌战术意图的识别也应作为一个动态的不确定性决策问题进行研究.针对该不确定性动态识别问题,综合利用直觉模糊集合理论与Petri网理论的优点,构建了敌战术意图识别的直觉模糊Petri网模型及其推理算法,在推理过程中充分发挥Petri网的动态并行推理能力,使得推理更加高效,由于非隶属参数的作用,推理结果更加准确可信.通过建模仿真给出该模型的应用步骤,验证了其正确性和合理性.     

直觉模糊S-粗决策模型及应用

基于直觉模糊S-粗集理论,提出双向直觉模糊S-粗决策模型.首先给出指标值的量化方法,将目标矩阵进行标准化处理.其次,建立直觉模糊S-粗决策的上一决策和下一决策优化模型,并给出直觉模糊S-粗决策算法及详细步骤.最后,以空袭目标为例,详细研究了目标威胁程度评估过程.结果表明,直觉模糊S-粗决策模型能够综合处理决策因素的定性与定量因素,得到的决策结果综合性能最优.所得的排序结果真实、准确地反映了实际情况.     

基于直觉模糊种群熵的自适应粒子群算法

基本粒子群算法在求解高维空间的复杂多峰函数时,种群多样性丧失很快,从而导致算法早熟收敛。针对这一问题,提出了将直觉模糊种群熵作为运算过程中种群多样性的测度,并将直觉模糊熵作为参数来影响粒子的速度更新机制,减小了算法在运算后期早熟收敛的概率,并使算法具备了一定的自适应性。实验结果表明,改进后的算法在性能上比基本粒子群算法有了较大的改进。     

基于NSCT域改进型NMF的图像融合方法

针对多传感器图像融合问题,提出一种基于非下采样轮廓波变换域改进型非负矩阵分解的图像融合方法.首先,采用非下采样轮廓波变换对源图像进行多尺度、多方向稀疏分解;然后对低频子图像采用改进型非负矩阵分解方法进行融合,该过程无需对W和H进行随机化便可快速生成低频融合图像,高频子图像则采用自适应unit-fast-linking脉冲耦合神经网络模型进行融合;最后利用非下采样轮廓波逆变换合成各子图像即可得到最终融合图像.仿真实验验证了该方法的有效性.     

基于改进型NSCT 变换的灰度可见光与红外图像融合方法

针对灰度可见光与红外图像融合,提出一种基于改进型非下采样轮廓波变换(NSCT)的图像融合方法.不同于经典NSCT模型,改进型NSCT变换摈弃了细节捕捉能力不强的非下采样金字塔分解机制,采用冗余提升不可分离小波变换实现对源图像的多尺度分解;然后,分别采用基于区域平均能量匹配度、邻域系数差和信息熵的融合规则,得到融合图像的低频系数和高频系数;最后,通过改进型NSCT逆变换得到了融合图像.实验结果验证了该方法的有效性.     

基于模糊核聚类的鲁棒性基础矩阵估计算法

提出一种基于模糊核聚类的鲁棒性基础矩阵估计算法。算法提取匹配点的余差作为特征,利用核函数将一维非线性可分特征映射到高维可分空间,在高维特征空间利用模糊均值分类将匹配点分为内点集和外点集;用高斯函数分别对已分类的内点集和外点集进行建模,定义并计算两类高斯分布的可分性判定值;判断该判定值是否收敛,如未收敛则以内点集作为初始值重新迭代计算。模拟数据和真实数据的基础矩阵估计实验表明,本文算法在计算效率和精度上均优于经典的随机抽样一致性算法。