基于查询表的多维传感器解耦算法研究

利用查询表建立多维传感器的特性模型,并用双线性插值法对车轮力传感器的输出信号进行解耦计算,降低了通道间的信号耦合,结果表明该方法的解耦效果良好,且易于在计算机上实现。     

基于RF-GA的六维力传感器解耦方法

多维力传感器的维间耦合问题严重影响了检测精度的提高。通过设计新型RF-GA（基于遗传算法的改进随机森林算法）解耦方法解决多维力信息的解耦问题，实现提高力传感器检测精度的目标。针对随机森林算法中含有大量子树，但每个子树的预测准度无法保证的问题，利用遗传算法对随机森林的子树进行筛选，保留优质子树，从而提高预测精度。以基于应变检测的六维力传感器为实验对象，将RF-GA算法运用到实际力信息解耦中，并通过解耦实验对RF-GA算法进行验证。与现有解耦算法相比，RF-GA解耦方法具有精度高、解耦时间短的优点，实验结果表明该算法能有效提高多维力传感器的解耦精度。     

多维力传感器动态特性研究中的一种新方法

为了将动态补偿与动态解耦这两种改善多维力传感器动态特性的重要方法有机结合起来,同时为了避免在较大耦合时不变性动态解耦造成的信号失真,提出了传感器并行补偿解耦方法。该方法综合了补偿和解耦两方法的优点,既能动态跟踪输入信号,提高了动态响应品质,又能去除耦合信号,并行处理效果明显。     

基于小生境的正弦遗传算法研究

针对标准遗传算法的不足，借助最优保留策略对遗传算法中的变异算子进行改进，把生物学的基因突变的概念引入遗传算法中，提高了种群的多样性和全局收敛性能，避免了在进行过程中产生早熟现象。在此基础上，提出了一种小生境正弦遗传算法，并进行实例研究。结果表明，该算法不但可以有效地克服标准遗传算法缺陷，而且稳定性也得到提高。     

多维力传感器耦合分析及解耦方法的研究

耦合现象普遍存在于多维力传感器中,多维力传感器输出如不经过解耦,数据直接应用到机器人操作中,会导致机器人的误操作.针对存在的耦合现象,本文首先分析了多维力存在的耦合原因,根据产生原因将耦合分为两种形式:结构耦合和误差耦合,然后提出了一种新的解耦方法-基于线性神经网络解耦方法,与传统解耦方法相比,该方法大大提高了解耦合精...     

基于小生境遗传算法的知识约简方法

提出基于小生境遗传算法的知识约简算法,利用遗传算法的搜索寻优技术,可以得到多种约简属性集。实验证明,该算法是有效的,它可以解决启发式算法不能解决的部分问题,并能求解出知识系统中存在的不同约简,从而为特征提取、决策支持和数据挖掘等提供更多的信息。     

基于自适应小生境遗传算法的船型优化

自适应小生境遗传算法能够克服基本小生境遗传算法操作复杂和计算费时的缺陷,同时具有保持种群的稳定性,获取合适的子种群规模,从而更快地获得最优解的特点。为快速获得阻力性能优良的船型,以势流兴波阻力理论Rankine源法为基础,采用自适应小生境遗传算法并结合CAD技术进行船型优化设计。S60船型的优化算例结果表明,采用自适应小生境遗传算法进行船型优化具有可行性。     

基于小生境遗传算法的粗糙集属性约简方法

针对遗传算法在全局优化问题中出现的早熟和收敛速度慢的问题,提出一种基于小生境遗传算法的粗糙集属性约简算法,采用基于淘汰相似结构机制的小生境技术,通过引入罚函数的方法调整个体的适应度,提高全局搜索能力。实验证明该算法是有效的,并能求解出信息系统中多组不同的最小约简,为决策支持和数据挖掘等提供更多信息。     

基于小生境的开放式遗传算法

针对现有遗传算法处理带约束优化问题时存在的缺点,基于小生境技术提出一种新的开放式遗传算法, 证明它一定能收敛到全局最优解。该算法避免罚因子的选择问题,具有很强的通用性,对问题本身和约束基本没有要求,实施起来十分方便,可以充分发挥GA的优势。通过两个小生境相互作用机制,使GA群体搜索的特点得到很好的利用,保证群体的多样性,加速搜索速度。仿真实例说明了它的有效性。     

基于小生境遗传算法的关联规则挖掘方法

通过采用惩罚函数设置支持度阈值,有效地解决了规则冗余问题。在小生境遗传算法方面,采用了一种新颖的素因子染色体编码方法并引入了最大频繁项分布表。该编码方法把原来用字符表示的事务转化为用一个整数进行表示,把字符串运算转化为数值运算,将事务数据库属性项压缩为一个数值型的项。通过引入最大频繁项分布表,使算法总是能在最大频繁项密集区进行挖掘,对组合搜索空间进行了有效修剪。实验结果表明,该方法对事务数据库压缩比超过25%,效率至少能提高47%。     

基于单纯形的小生境混合遗传算法

总结单纯形搜索算法的核心思想.然后提出单纯形交叉方向算子和最优小生境、次差小生境与最差小生境3个概念.在最优小生境中采用单纯形搜索算法得到局部极值,在最优小生境与次差小生境之间用单纯形交叉方向算子产生优秀个体,而在最差小生境中采用受限单纯形搜索产生优秀个体,从而构成基于单纯形的小生境混合遗传算法SimplexNich-HGA.最后用SimplexNiche-HGA、单纯形混合遗传算法Simplex-HGA 以及基本遗传算法SGA求函数Rosenbrock的极值,并进一步用SimplexNiche-HGA和Simplex-HGA 求多峰值函数Shubert的极值,验证算法的正确性和求多峰值函数的极值的效率.     

一种改进的小生境遗传聚类算法

传统的遗传算法具有早熟收敛和后期收敛速度慢的缺点,采用改进的小生境技术解决这一问题,同时根据具体问题改进了遗传算子,并将改进后的小生境遗传算法应用于聚类挖掘中。由于聚类挖掘算法中的K—means算法对初始值K的选取敏感,选取值的不同会导致聚类结果的不同,很容易陷入局部最优,使得聚类结果很差。因此,将改进的小生境遗传算法和K-means算法相结合,得出一种改进的小生境遗传聚类算法。验证表明优该算法对提高聚类分析质量是有效的。     

基于小生境遗传算法的贝叶斯网络结构学习算法研究*

在数据缺失的情况下讨论一种贝叶斯网络的结构学习算法.该算法结合了小生境遗传算法和EM算法,最后通过试验说明了该算法的有效性.     

基于小生境算法和聚类分析的快速收敛遗传算法

摘要：针对遗传算法中存在的早熟收敛和后期收敛速度慢的问题,在讨论种群多样性表示方法和早熟原因的基础上,提出了一种基于小生境技术和聚类分析的遗传算法快速收敛算法．利用小生境技术保持种群的多样性,有效防止早熟收敛．当种群进化到一定程度后,进行聚类分析,从而获得分布在各个极值点附近的聚类区域．在各个聚类中心处,利用局部搜索算法获得极值点;其余个体按照小生境技术在聚类区域外进一步搜索．仿真结果表明,这种算法能够有效地防止早熟收敛,可以极大提高遗传算法的搜索效率,有利于并行实现,并在一定程度上有助于骗问题的解决．     

自适应梯度小生境混合优化算法

通过对梯度法和小生境遗传算法优缺点的分析,提出了一种自适应梯度小生境混合优化算法。小生境算法利用当前种群适应度和种群代数来设计交叉算子和变异算子,保持了种群的多样性,改善全局搜索能力,应用自适应变步长梯度算法的快速寻优特点来减少运行的时间,优化极值精度,加快了收敛速度。对Shubert函数的仿真试验,证明该算法能明显的改善全局搜索能力,加快算法收敛速度。     

基于小生境免疫遗传算法的硅钢片优化排样

提出一种基于小生境免疫遗传算法的多级序列优化方法,并解决硅钢片优化排样问题。以免疫算法为基础,通过遗传算法进化抗体群,利用小生境技术保持抗体群的多样性。遗传算子和免疫记忆策略加快了优良个体的产生,提高了算法的收敛速度。共享机制和克隆抑制策略提高了算法的全局搜索能力,有效地避免早熟收敛现象。实际生产数据排样结果表明,该算法是有效、可行的。     

基于MSVR的六维腕力传感器静态解耦算法

针对维间耦合会影响六维腕力传感器测量精度的问题,提出了基于多输出支持向量回归机（Multi-output support vector regression,MSVR）的解耦算法。以实验室研制的六维腕力传感器为例进行静态标定实验,使用基于MSVR的解耦算法以及传统的基于最小二乘求解标定矩阵的解耦算法对标定数据进行处理分析。实验结果表明,本文提出的解耦算法稳定可靠,能有效抑制维间耦合的干扰,具有较高的解耦精度。