一种修正的Dubois-Prade 证据推理组合规则

基于对Dubois-Prade证据推理理论的分析与研究,针对Dubois-Prade组合规则的不足,归纳出3类导致Dubois-Prade组合规则失效的情况;在Dubois-Prade组合规则的基础上,引入了修正因子,给出一种修正的Dubois-Prade组合规则—–MDP组合规则.实例表明,MDP组合规则在处理高冲突、"一票否决"和动态信息融合方面都是有效的.     

多类支持向量机算法综述

传统的支持向量机是基于两类问题提出的,如何将其有效的推广至多类问题仍是一个有待研究的问题。本文中作者致力于对现有的几种较有成效的多类支持向量机做一介绍,并比较其优劣,以期对研究者以后的研究能有所启发。     

一种新的SVM对等增量学习算法

在分析支持向量机（SVM）寻优问题的KKT条件和样本分布之间关系的基础上，分析了新增样本的加入对SV集的影响，定义了广义KKT条件。基于原训练样本集和新增训练样本集在增量训练中地位等同，提出了一种新的SVM增量学习算法。算法在及时淘汰对后继分类影响不大的样本的同时保留了含有重要分类信息的样本。对标准数据集的实验结果表明，算法获得了较好的性能。     

基于试探的变步长自适应粒子群算法

针对粒子群算法容易陷入局部最优的缺陷,在分析惯性因子在算法中的作用机理的基础上,设计了一个根据种群多样性和进化代数自适应调节的惯性因子,并运用试探法,通过变换搜索步长,提高算法的局部搜索能力.最后,给出了3个典型函数的模拟例子,通过与APSO的对比结果显示,改进后的算法其性能得到极大提高.     

AdaBoost-SVMDT及其在HRRP识别中的应用

HRRP所具有的易于获得和处理的独特优势，使得基于HRRP的识别方法成为现代战争环境感知和目标识别的主要方法之一。AdaBoost是一种能够提高任意分类器的分类精度的学习框架，将其引入SVM—DT，并应用于HRRP识别，可提高HRRP的识别精度。实验表明，AdaBoost—SVMDT相比于SVMDT有效提高了HRRP的分类精度。     

自逃逸云简化粒子群优化算法

sPSO仍继承了bPSO易陷入局部极值点的缺陷,而且其进化后期收敛速度和精度也有待进一步改善.基于此,提出一种基于云理论的简化粒子群优化算法(简称cloud-sPSO):对不再进化的个体,借鉴复形法的思想,进行尽可能的进化逃逸;而当种群进化停滞时,由基本云发生器对当前群体最优粒子实行变异操作.对几个经典测试函数进行实验的结果表明,cloud-sP SO不仅能够有效摆脱局部极值点,而且收敛速度和精度也有极大地提高.     

资源型城市战略制定的理论依据与模式选择

文章在对"资源型城市"、"城市发展战略"、"城市可持续发展"及"城市竞争力"4个方面进行文献检索与分析的基础上,评价了指导城市发展战略制定的理论依据,讨论了资源型城市发展战略制定的目标、理论基础、决定因素及模式选择问题.文章认为,波特的竞争优势理论可以作为资源型城市发展战略制定的理论依据;增强城市竞争力应该作为城市发展战略制定的一个总体性目标.最后,作者提出了动态化城市战略制定模式.     

资源型城市战略制定的理论依据与模式选择

文章在对“资源型城市”、“城市发展战略”、“城市可持续发展”及“城市竞争力”4个方面进行文献检索与分析的基础上,评价了指导城市发展战略制定的理论依据,讨论了资源型城市发展战略制定的目标、理论基础、决定因素及模式选择问题。文章认为,波特的竞争优势理论可以作为资源型城市发展战略制定的理论依据;增强城市竞争力应该作为城市发展战略制定的一个总体性目标。最后,作者提出了动态化城市战略制定模式。