一种基于聚类分析与熵权模糊评价的虚拟企业综合决策算法研究

针对虚拟企业管理的核心——合作伙伴选择,建立了三阶段评价模型,并筛选了以企业研发能力为核心的综合评价指标体系;提出了基于聚类分析法的合作伙伴初选算法,并将基于熵权的模糊AHP综合算法应用在合作伙伴的综合评价中。结合某企业实例,验证了算法的适用性和优越性。最后,采用B/S体系结构等技术开发了Web环境下的虚拟企业合作伙伴选择管理支持系统。通过运行显示了系统的可靠性,同时提高了虚拟企业合作伙伴选择的效率。     

基于EMD与GA-PLS的特征选择算法及应用

针对振动信号非平稳性和特征优化选择的问题,提出一种基于EMD和GA-PLS的特征选择算法。在该算法中,首先,采用EMD方法将振动信号分解成多个固有模态函数(Intrinsic Mode Function, IMF),对IMF分量建立自回归（AR）模型,以AR模型系数和残差作为初始特征向量,然后,遗传算法与偏最小二乘法相结合(GA-PLS)的算法对初始特征向量进行筛选得到新的特征向量,最后,以新的特征向量为输入,建立分类器,用来识别手动换向阀的工作状态和判断故障类型。实验结果表明,采用该特征选择算法能准确地选择出特征,并能应用于手动换向阀的故障诊断     

基于蚁群优化的振动信号特征选择

从所获取信号特征集合中选择出优化特征子集,是故障诊断问题中提高分类效率、减小运算规模的关键.提出了一种基于蚁群算法的特征选择算法,给出了特征选择蚁群算法有向图,将问题转化为有向图的路径搜索.给出了路径选择公式,将最坏Fisher标准判别率作为启发信息,提高搜索效率.将本次迭代最好解和与之等效的路径上信息素同步增强,增加对蚂蚁的有序指导.通过应用实例,验证了算法的有效性.     

一种基于扩充特征集的流分类方法

鉴于当前流分类研究均建立在使用载荷无关的流特征的基础上,而载荷无关的特征一般无法为准确分类提供充足的分类信息的问题,提出了一种基于扩充特征集的流分类方法,该方法首先提取载荷特征扩充流分类特征集合,特征集合扩充后,特征的数目显著增加,呈现出高维特性,进而针对高维特征空间,提出了一种混合型特征选择算法,并基于该算法选取的特征构建流分类器.实验结果表明,相对于使用载荷无关特征集的方法,所提出的方法能够显著改善分类效果,同时能够提升分类速度,更适用于现实网络环境.     

基于文本矢量特征的电影评分预测模型

电影评分是观众选择电影消费的一个重要依据。针对当前电影评分预测模型涵盖电影信息少、算法较为单一、预测准确性不高等问题,本文融合了电影特征信息与电影文本信息,提出了一种基于文本矢量特征的电影评分预测模型。首先,基于Word2Vec模型对分词后的电影文本进行向量化处理;然后,通过TF-IDF算法给予每个词向量对应的权重,生成文本矢量特征信息;最后,文本矢量特征信息和电影特征信息一起输入到LSTM (Long Short Term Memory networks,长短期记忆网络)模型进行评分预测。实验结果表明,对比单一的机器学习模型以及电影特征信息模型,该模型的准确率有明显的提高,可以有效地预测出电影的评分。     

基于粒子群优化的故障特征提取技术研究

齿轮传动箱的故障征兆,可以通过不同的特征参量表现出来.传动箱工作过程中,由于响应信号成分复杂,提取其敏感的故障特征信息非常困难.故障程度、部位和类型等对特征参量的敏感程度差别很大,通过传统的特征提取和分析方法可以建立庞大的特征参量集.如何从众多的特征参量中确定可靠有效的故障特征参量,如何根据故障对特征参量的敏感程度优化筛选特征参量集,是实现实时在线故障诊断亟待解决的一个问题.针对传动箱故障特征选择问题,提出了基于粒子群优化(PSO)算法的特征选择方法.将粒子群优化技术用于研究传动箱振动响应信号的分析与处理,用于故障诊断特征参量集的提取与优化,形成了适合该齿轮传动箱的有效故障特征参量,从而建立了与齿轮传动箱故障现象密切相关的特征参量集.把此算法应用到齿轮传动箱故障诊断中,结果证明,该算法有很好的效果,提高了诊断精度,比常用的梯度下降算法具有更快的优化速度.     

基于混合相关滤波信息融合再检测的目标跟踪算法

为了减小在目标跟踪过程中目标形变和复杂背景变化对跟踪效果的影响,提出一种基于混合相关滤波信息融合再检测的目标跟踪算法。首先,利用相关滤波算法提取到目标的方向梯度直方图HoG特征,利用颜色模板得到目标的颜色特征,计算两个模板的采样得分;其次,再将两者的特征信息用线性组合的形式进行特征信息融合确定目标位置,跟踪过程中,根据设定的阈值条件选择两个模板采样较大的得分再检测目标的位置;最后,输出所有帧目标位置的结果。与其他的算法进行比较,该算法在应对目标形变和背景杂波方面有较好的跟踪效果。     

基于特征加权的朴素贝叶斯流量分类方法研究

研究了被广泛应用于互联网流量分类的朴素贝叶斯分类方法的性能特点,针对此方法在给定类别下给出的所有流量特征同等重要并且是独立的假设在现实中难以满足,致使分类准确率不高的问题,提出一种基于特征加权的朴素贝叶斯流量分类算法。该算法基于NetFlow记录的特征信息,采用特征选择算法ReliefF和相关系数方法计算每个特征的权重值,然后将网络流量分配至后验概率最大的应用类别中。实验结果表明,这种基于特征加权的朴素贝叶斯算法具有超过94%的分类准确率,并且维持了朴素贝叶斯方法简单高效、分类稳定的特性,可以满足当前高带宽网络流量分类的需求。     

基于深度学习的机器视觉目标检测算法及在票据检测中应用

基于深度学习的目标检测是机器视觉应用的重要方面。该文系统总结基于区域候选的目标检测算法、基于回归方法的目标检测算法及其他优化算法的算法思想、网络架构、演进过程、技术指标、应用场景,指出在机器视觉系统应用中,应充分考虑检测对象、检测精度、实时性能要求,结合不同目标检测算法特点,选择最合适的检测算法。最后,面向票据检测需求,分析目标检测算法在票据图像位置检测、防伪特征检测、文本信息检测中的应用。     

采用多目标进化模型的无监督故障特征选择算法

高维故障特征数据易影响诊断的处理速度和识别率,而传统单目标特征选择算法易融入主观偏好,从而影响特征选择的质量。为此,提出一种无监督的多目标进化特征选择算法。采用熵度量作为相关度目标,采用相关系数的概念设计了冗余度目标,算法同时将这两个目标作为优化对象;利用样本在各个特征上的分布信息,设计了导向性的种群初始化过程和变异算子,以提高算法的优化能力;还利用集成的方法得到了所有特征的重要度序列。对5组UCI数据和3组往复式压缩机故障数据的测试结果表明,该算法比已有的几种特征选择算法更具优势。     

基于特征选择和子空间搜索的离群点检测算法

为解决高维空间下基于密度的离群点检测的低精度和高计算量的问题,提出基于特征选择和子空间搜索的离群点检测算法。该算法先通过特征选择选择数据的主要属性,然后对这些属性进行子空间搜索,从而有效的降低维数和避免全局搜索。最后通过一个数据集的实验来说明该算法的有效性。     

支持向量机集成和特征选择联合算法

提出了两种基于支持向量机集成和特征选择联合算法。联合算法的核心思想是在构建基础分类器的同时选择有效特征。通过对实测舰船数据和公共数据的识别实验,证明了两种算法都可以用于舰船目标识别。算法一更适用于冗余特征较多的情况。算法二在对舰船目标识别时,选择的特征数目降低为原来特征数目的30%,正确分类率比单个支持向量机高近10%。     

基于互信息的顺序向前特征选择算法

特征选择是水声目标识别领域的重要环节之一。提出基于互信息的顺序向前特征选择算法,通过计算特征之间的互信息和特征与类别间的互信息对所有特征的分类能力进行排序。提取了实测4类水声目标进行特征选择和分类实验,结果表明:该算法能够选择有效特征子集,得到较高的正确识别率,并且运行速度快,稳定性强。     

导引概率图与显著特征相结合的行人目标检测

研究了仿生人眼视觉注意机制,采用目标导引概率图作为自上而下的信息,通过调制基于目标显著特征的自下而上信息,实现行人目标检测的方法。首先,对相似场景的目标样本图像提取尺度不变特征变换(SIFT)特征,基于贝叶斯公式,采用高斯混合模型(GMM)建立目标导引概率模型,利用期望最大(EM)算法和狄利克雷过程(DP)自动估计模型参数;进而,对一副待检测图像,采用已估概率模型计算图像中每一像元的目标似然性,形成导引概率图作为自上而下的信息;同时,针对行人目标,模拟中央-外周机制计算多尺度的肤色特征和竖直方向特征,形成基于目标显著特征的自下而上信息;最后,将两者结合得到候选目标区域,再通过提取候选区域的积分梯度直方图和等价的局部二值模式(LBP)特征,输入到级联支持向量机(SVM)分类器,验证并得到目标检测结果。基于实拍数据库和复旦大学-宾夕法尼亚大学行人数据库的大量实验表明,对概率模型的这种改进能显著提升行人目标预测效果,且检测算法在整体上优于传统检测算法。     

基于不确定语言信息的物流供应商选择

为解决传统供应商的选择与评价过程中专家评判的模糊性和不确定性问题,提出了一种基于不确定语言信息的物流服务供应商选择方法。该方法以不确定语言变量来表征专家的评判从而避免了决策信息的丢失。继而建立了物流服务质量评价属性的权重优化模型,并构造拉格朗日函数来求解该模型,得到评价属性的最优权重。接着利用不确定语言加权几何平均（ULWG）算子集结专家评判信息,则得到供应商的优先排序。给出了基于不确定语言信息的供应商选择的算法步骤和应用实例。     

基于供应链管理的供应商选择问题初探

首先讨论了供应链环境下选择供应商的意义，然后建立了供应商选择的评价指标体系，重点讨论了应用TOPSIS 方法对供应商选择的模型及算法，最后用一个简单的案例进行了说明。     

一种小模数齿轮边缘检测效果评价方法

利用机器视觉评定小模数齿轮精度时,在齿轮整体图像中提取的边缘特征信息不能直接描述图像中的单独目标,需要后续识别算法去适应局部的多变特征.为此提出一种基于特征图像的边缘检测效果评价方法来获取丰富的局部图像信息,用于评定小模数渐开线齿轮视觉测量系统中轮廓提取的精度.首先根据齿轮图像中渐开线齿廓边缘的函数特性建立特征图像模型;然后使用基于Zernike矩的亚像素边缘检测算法获取小模数渐开线齿轮特征图像的边缘;最后结合构建特征图像的标准函数,量化特征图像的边缘检测结果与标准函数间的偏差,用以评价边缘检测的效果.实验表明,运用小模数齿轮的特征图像评价基于Zernike矩的亚像素边缘检测算法,渐开线齿廓的检测精度优于0.58pixel.     

集成小波神经网络在故障诊断中的应用研究

以非线性Morlet小波基作为激励函数,形成神经元,结合小波变换与神经网络各自的优点,建立集小波分析与神经网络于一体的紧致型小波神经网络,并给出了具体的算法。基于信息融合技术的思想,从设备故障诊断的实际出发,建立了基于信息融合技术的集成小波神经网络故障诊断系统,即通过故障特征信息的有效组合,用各种子小波神经网络从不同侧面对设备故障进行初步诊断,然后对诊断结果进行决策融合。给出了系统的实现策略和子网络的组建原则。从诊断实例中可以看出,此诊断系统充分利用各种特征信息,可以有效的提高确诊率。     

基于局部特征融合的人脸识别

提出了基于局部特征融合的人脸识别算法.首先把人脸图像分割为多个子图像,利用传统主成分分析的方法,对不同位置的子图像集分别建立不同的子空间并且抽取相应的局部特征.针对各局部特征,分别求出待识别图像对训练样本的隶属度.最后,基于模糊综合的原理对各局部特征进行数据融合,给出最终识别结果.实验结果表明,该算法能很好地融合人脸的局部信息,有效提高识别率.     

基于自适应融合色度与亮度特征的彩色人脸识别算法

鉴于彩色人脸图像所包含的鉴别信息远多于灰度人脸图像,将色度马氏距离图引入彩色人脸识别中,提出了一种基于自适应融合色度与亮度特征的彩色人脸识别算法。该算法基于YDhDr颜色空间分离彩色人脸图像的色度与亮度信息,构建出基于色度信息的马氏距离图,同时分离出基于亮度信息的灰度图;通过自适应融合色度与亮度特征来构建彩色人脸识别特征;基于小波包结点能量的特征表示方法,分别在实数域和复数域中提取并融合色度与亮度分量的最崖鉴别特征向量,实现色度与亮度特征的最优化互补;使用基于方差相似度的分类器获得人脸识别结果。实验表明,该算法识别率高、鲁棒性好。