基于多元Taylor级数和AFS的混合定位算法

针对传统Taylor级数定位算法存在精度严重依赖初始值,导致定位精确度不高的缺陷,结合人工鱼群算法和多元Taylor级数展开算法的优点,提出了一种基于人工鱼群算法初值选取与多元Taylor级数展开算法精确求解的混合定位方法。算法充分发挥了人工鱼群算法初值估计性能良好和多元Taylor级数展开算法求解精度高的优点。仿真结果表明:上述算法减少了鱼群数目和迭代次数的选取对定位精度的影响,混合定位算法的精度更高。     

不确定数据聚类的U-PAM算法和UM-PAM算法的研究

UK-means算法在处理不确定数据时对孤立点非常敏感,而且事先必须已知不确定数据的分布函数或概率密度,然而这在实际中往往很难获得。因此,针对UK-means在处理不确定测量数据时的不足,首先提出了基于区间数的PAM不确定聚类算法——U-PAM,该算法用区间数和标准差合理地描述了不确定测量数据的不确定性,进而完成有效的聚类;其次,针对海量不确定测量数据难以聚类的问题,基于U-PAM聚类算法,采用抽样技术提出了处理海量不确定测量数据的算法——UM-PAM算法,该算法先抽样,对样本数据聚类,然后再总体聚类;最后,基于U-PAM算法和CH聚类的有效性指标函数对聚类结果进行分析,以确定最佳聚类数。实验理论表明,所提算法聚类效果明显。     

一种低信噪比下的特征向量类信源数估计算法

经典的特征值类信源数估计算法在低信噪比、少快拍数条件下的估计性能急剧下降,针对该问题,提出了一种新的信源数估计算法。该算法利用采样协方差矩阵的特征向量对信噪比不敏感的特性来构造判决变量,根据改进的预测描述长度（PDL）准则来实现对信源数的有效估计,理论分析和仿真实验证明了所提算法的有效性。     

基于相对相似度关系的三角模糊数型不确定多属性决策法

针对属性权重未知的三角模糊数型不确定多属性决策问题, 提出一种新的规范三角模糊数与决策方案的相对相似度定义和三角模糊数相对相似度关系理论; 借鉴合作博弈中可能度最大化算法提出一种基于三角模糊数相对相似度关系的属性权重确定方法; 利用备选方案对象在方案集中的总体相对相似度值大小选取最优对象并排序, 以此给出三角模糊数型不确定多属性决策的相对相似度关系算法, 最后通过算例分析表明了所提出算法的可行性和有效性.     

煤矿井下超宽带定位混合解算方法

超宽带定位是根据基站测定的标记点距离,基于一组非线性定位方程组,通过泰勒(Taylor)级数展开算法、Chan算法或最小二乘法解算获得精确的设备位置。其中,Taylor级数展开算法的求解精度高,但是对初始值具有很强的依赖性,如果初始值选择不恰当,会导致算法不收敛。针对上述问题,提出了一种结合头脑风暴优化(BSO)和Taylor级数展开的混合解算(BSO-Taylor)方法。采用BSO算法求解移动站到基站的误差函数最小化的最优解,将最优个体的到达时间差(TDOA)值作为Taylor级数展开算法的初始值,进行Taylor展开解算得到定位信息,解决了Taylor级数展开算法需要较好初始值的问题。对Chan算法、Taylor级数展开算法和BSO-Taylor混合解算方法的结果进行了对比实验,结果表明,BSO-Taylor混合解算方法通过全局搜索策略,获得了接近于真实位置的迭代初始值,既可以获得接近真值的定位性能,又解决了Taylor级数展开算法对不良初始值的敏感性;相较于Chan算法,BSO-Taylor混合解算方法的解算结果更加稳定,且准确性更好;相较于初始位置为真实位置的Taylor级数展开算法,BSO-Taylor混合解算方法的解算误差稍大;定位距离的变化和TDOA测量值标准差的变化对Taylor级数展开算法和BSOTaylor混合解算方法的影响基本一致,而对Chan算法的影响较大。     

一种基于范数和相关的MIMO接收天线选择新算法

在MIMO系统中天线选择可以增加系统容量,并能有效地降低MIMO系统的复杂度和射频成本。在对天线选择算法研究的基础上,设计了一种新的基于范数和行向量相关的快速算法获得较大的信道容量。该算法没有矩阵运算,计算复杂度低。最后通过仿真分析与其它算法进行了比较,表明该算法在接收天线数和发送天线数不相等时和最优算法基本一致,优于其他算法。     

基于AS3992的防碰撞Q算法分析与改进

基于超高频(UHF)射频识别(RFID)ISO/IEC 18000-6C协议的防碰撞Q算法存在标签数和所选时隙数不确定的局限性,使得系统自适应能力不足。通过先理论估算标签的数量,并计算该标签下的最佳时隙,后在软件上优化估算的标签数,对Q算法进行改进。在AS3992专用集成电路读写器芯片和STM32f103微控制器组成的实验平台上验证,实验结果表明:与原算法相比,改进算法在不降低识别效率和不增加平均功耗的情况下自适应能力有所提高,且估算标签数量误差控制在10%以内。     

一种基于跳数修正的DV-HOP定位算法

节点定位技术是无线传感器网络的关键支撑技术之一,传统DV-Hop定位算法中节点间跳数只以整数增加,从而降低了定位精度。针对传统定位算法定位误差较大的问题,提出了一种新的基于跳数修正的DV-Hop定位算法。该算法从两方面进行了改进:对锚节点间的跳数进行修正,使得跳数不再只是整数;对未知节点与锚节点间的跳数进行修正,使得未知节点与锚节点之间的估计距离更加准确。最后,对传统算法和改进算法的性能进行了仿真,结果表明在不增加额外硬件开销的前提下,改进算法可以有效地提高定位精度。     

新的K-均值算法最佳聚类数确定方法

K-均值聚类算法是以确定的类数k和随机选定的初始聚类中心为前提对数据集进行聚类的。通常聚类数k事先无法确定,随机选定的初始聚类中心容易使聚类结果不稳定。提出了一种新的确定K-均值聚类算法的最佳聚类数方法,通过设定AP算法的参数,将AP算法产生的聚类数作为聚类数搜索范围的上界kmax,并通过选择合适的有效性指标Silhouette指标,以及基于最大最小距离算法思想设定初始聚类中心,分析聚类效果,确定最佳聚类数。仿真实验和分析验证了以上算法方案的可行性。     

非确定型指派问题的求解算法

考虑了一类非确定型指派问题,每人所承担的工作数不确定,按每人至少承担一项工作,每项工作只允许一人承担的指派原则,针对人员无工作数限制和有工作数限制两种情况加以讨论和分析,借鉴Floyd算法的负回路思想,提出了一种迭代算法,并给出了应用此算法求解的具体实例。实验表明：与其他求解算法相比,该算法求解规模小,效率高,应用简便,易于编程实现。     

基于模拟退火的样本加权FCM算法

为了解决模糊C均值聚类算法(FCM)中聚类类数初始值是由先验知识人为确定并且目标函数忽略了样本属性数据之间的不均衡性问题,提出了一种基于模拟退火的样本加权FCM算法(SASWFCM),利用模拟退火算法可以寻求全局最优解的特点,计算出聚类数初始值,并对聚类中心和目标函数进行加权处理.通过实验分析,该算法与原FCM算法相比较而言,无需人为确定聚类初始值并且在分类准确数和准确率上有所提高,体现了算法的优越性,验证了改进后算法的实际价值.     

基于重叠度的层次聚类算法

选择合适的聚类数和准确划分簇间重叠的数据是聚类分析领域两个被广泛研究的问题.提出了一个基于重叠度的层次聚类算法(CCSLM),该算法基于重叠度的衡量,而且不需要预先指定聚类数,能够很好地解决以上两个问题.算法根据每两簇之间的重叠情况自动运行或停止,从而准确划分簇间重叠的数据,并自动确定最佳聚类数.通过图像分割应用表明算法的有效性和鲁棒性.还把它和其他聚类算法进行比较和分析,以证明该算法的优越性.     

不确定多指标决策的可能度规划模型及其应用

针对指标权重未知的区间数型不确定多指标决策问题, 提出区间数可能度与比较优势关系理论, 并推导出一些相关结论. 借鉴合作博弈中极大极小算法, 建立基于区间数比较优势关系, 确定指标权重的可能度规划模型. 利用供选方案间相互比较的可能度矩阵测定信息, 集结各方案比较的总体可能度值对供选方案集进行优劣筛选和排序, 以此给出一种新的区间数型不确定多指标决策的可能度规划算法. 最后通过算例验证了所提出模型算法的有效性和实用性.     

区间数的区间Ⅱ型模糊c均值聚类算法

针对区间数模糊c均值聚类算法存在模糊度指数m无法准确描述数据簇划分情况的问题,对点数据集合的区间Ⅱ型模糊c均值聚类算法进行拓展,将其扩展到区间型不确定数据的聚类中。同时,分析了区间数的区间Ⅱ型模糊c均值聚类算法的收敛性,以确定模糊度指数m1和m2的取值原则。基于合成数据和实测数据的仿真实验结果表明：区间数的区间Ⅱ型模糊c均值聚类算法比区间数的模糊c均值聚类算法的聚类效果好。     

基于三维盒维数算法的城市分维计算

通过将传统的二维盒维数算法扩展到三维空间,提出了一个基于三维空间的盒维数计算方法。分别利用三维盒维数算法和二维盒维数算法计算城市的分维,通过对计算结果进行比较分析,观察到城市空间结构在第三维同样具有分形特征,证明传统城市分维计算中采用基于二维空间的分维算法或者简单地利用二维分维加1的方法表示三维分维都是不准确的,并进而给出正确的城市分维计算方法。     

基于模式增长的不确定数据的频繁模式挖掘算法

为提高不确定数据频繁模式(FP)挖掘算法的时空效率,提出了基于最大概率的不确定频繁模式挖掘(UFPM-MP)算法。首先,利用事务项集中的最大概率值预估期望支持数;然后,使用该期望支持数与最小期望支持数阈值进行比较,以确定某一项集是否为候选频繁项集,并对候选项集建立子树以递归挖掘频繁模式。实验中,UFPM-MP算法与AT-Mine算法进行了对比,并在6个典型的数据集上进行实验验证。实验结果表明,UFPM-MP算法的时空效率得到了提高,稀疏数据集上提高约30%,稠密数据集上的效率提高更为明显(约3~4倍)。预估期望支持数的策略有效地减少了子树和头表项的数量,从而提高了算法的时空效率;且最小期望支持数越小,或需要挖掘的频繁模式越多的时候,算法的时间效率提高越多。     

基于a＋bi型联系数的不确定网格静态调度算法

任务调度算法是计算网格任务管理系统中的核心问题.由于网格环境中存在大量的不确定因素,导致传统网格调度算法和调度系统不能在开放、异构和动态的真实网格环境中有效运行.利用一种新的软计算方法--集对分析联系数研究和处理网格调度中的综合不确定性问题.在简单介绍集对分析概念和应用情况基础上,引入联系数概念、运算规律和全序关系,分别提出了基于联系数的不确定网格静态调度算法CBU-Min-min、CBU-Max-min和CBU-Surferage,并进行了数值仿真实验研究.理论和实验研究表明,这些算法能较好地描述网格任务预期执行时间的动态性和不确定性,并使传统网格调度方法成为其特例,在动态和不确定网格环境中有良好的理论和实际应用价值.     

一种挖掘最大频繁集的算法

挖掘频繁项目集是关联规则应用中的关键问题.目前挖掘频繁集主要有Apriori算法和频繁树法两大类.本文提出与上述两类算法完全不同的高效挖掘最大频繁集的算法:最小支持数最小组合算法(MSMCA).该算法不产生候选频繁集,能较大减少计算量的开销.此外,在此算法的研究中,本文提出另一个子课题:重复数列中最小支持数最小组合算法研究.     

基于高斯混合模型的层次聚类算法

选择合适的聚类数和准确划分类间重叠的数据是聚类分析领域2个被广泛研究的问题.提出了一个基于高斯混合模型的层次聚类算法(HCGMM),该算法基于重叠度的衡量,而且不需要预先指定聚类数,能够很好地解决以上两个问题.算法根据高维空间中混合模型每2个组成成分之间的重叠情况自动运行或停止,从而准确划分类间重叠的数据,并自动确定聚类数.最后,通过标准的数据的测试,以及通过把它应用于不同类型的真实彩色图像分割表明,该算法是有效的,而且对噪声影响不敏感.把它和其他层次算法进行比较和分析,以证明该算法的优越性.     

云计算环境下基于分形的聚类融合算法研究

传统的聚类算法不适用于处理海量和高维数据。针对云计算环境下,利用集群系统的并行计算能力,实现海量数据的聚类问题,给出了云计算环境下基于分形维数的聚类融合算法。该算法首先对基于分形维数的聚类算法进行改进,使之更适用于并行计算,其产生聚类作为初始聚类成员;再结合投票算法的融合策略实现融合。最后,对基于分形维数的聚类融合算法在云计算环境下实现并行计算。通过在UCI数据集上的对比实验来验证该算法的有效性。