属性约简是粗糙集理论的重要研究内容.为此引入广义差别矩阵,提出基于广义差别矩阵的核和属性约简算法.该框架可有效避免连续属性值离散化,且有利于与其他机器学习方法相结合.理论分析表明,所提出的算法是有效而可行的.
相似文献目前粗糙集理论研究主要针对单个决策表,而有关分布式环境下的核求解和属性约简研究的报道不多,为此提出垂直分布多决策表下基于条件信息熵的近似约简算法.该算法在各局部站点并行求相应的条件信息熵,并通过传送部分等价类的策略,可有效降低通讯代价,提高垂直分布多决策表下基于条件信息熵的近似约简效率 .算法分析和实验结果表明,所提出的算法是有效可行的.
相似文献针对模糊时间序列模型中模糊推理规则的优化问题, 提出一种时间序列的自相关理论与模糊时间序列相结合的算法. 首先考查数据平稳化; 然后运用传统的数据模糊化方法得到模糊集, 进而建立模糊规则, 并运用自相关函数理论对模糊规则进行优化; 最后通过对Alabama 大学注册人数的预测验证了所提出算法的有效性.
相似文献针对非线性系统模型参数未知情况下的状态估计问题, 提出一种融合极大后验估计的交互式容积卡尔曼滤波算法(InCKF). 该算法利用二阶斯特林插值公式和无迹变换对非线性函数的近似思想, 实现对模型未知参数的确定, 从而使滤波算法摆脱对模型参数精确已知的依赖, 并通过容积卡尔曼滤波算法完成状态估计和量测更新. 仿真结果表明, 相比于经典的参数扩维方法, InCKF 算法具有更高的精度和更强的数值稳定性.
相似文献为获得多假设最大联合概率决策融合准则的多假设自适应算法,通过对原算法中各权重系数求偏微分,结合简单计数方法,给出了自适应决策融合中的各个系数增量表达式,并进行了收敛性证明. 该算法在系统参数未知及参数发生改变的情况下,均能进行决策融合. 针对两假设自适应决策融合问题,将该算法与Mansouri 的算法进行了比较.最后在多假设情况下对该算法进行了应用,并给出了提高收敛速度的方法.
相似文献针对传统D-S 证据理论难以解决高度冲突证据融合问题, 提出一种新的证据合成算法. 将贴近度概念引入D-S 证据合成中, 通过证据的一致性度量计算其权重, 实现冲突证据的加权融合. 提出证据合成方法选择判据, 将证据合成分为冲突和非冲突2 类, 分别采用改进算法和传统算法对证据进行融合. 实例验证表明, 所提出的方法信息聚焦性能优越, 可以有效解决冲突证据合成问题, 在解决电力系统故障诊断问题方面有良好的效果.
相似文献针对工程应用的需要,给出一种根据实时动态数据确定模糊密度调节系数的方法,并建立了基于模糊密度动态调节的融合目标识别算法.最后通过仿真实验给出了各种模糊积分用于目标融合识别时的识别结果,验证了所提出方法的有效性.
相似文献采用3种方法研究了LTI(Linear time-invariant)状态空间模型中未知参数的估计问题:利用Metropolis-Hastings算法,从后验分布中抽取一定容量的样本,得出其均值和标准差;采用进化算法来最小化对数似然函数,得到全局最优解;采用模拟退火算法来最大化似然函数,得到全局最优解.最后,通过数值实验验证和比较了3种估计算法的有效性.
相似文献基于线性矩阵不等式理论, 研究一类非线性时滞系统的函数观测器设计. 通过选取合适的Lyapunov-Krasovskii 泛函, 得到函数观测器增益矩阵存在的充分条件, 并系统地提出函数观测器增益矩阵的设计方法. 仿真实例表明, 所设计的函数观测器是可行有效的.
相似文献针对K-means 聚类算法过度依赖初始聚类中心、局部收敛、稳定性差等问题, 提出一种基于变异精密搜索的蜂群聚类算法. 该算法利用密度和距离初始化蜂群, 并根据引领蜂的适应度和密度求解跟随蜂的选择概率P; 然后通过变异精密搜索法产生的新解来更新侦查蜂, 以避免陷入局部最优; 最后结合蜂群与粗糙集来优化K-means. 实验结果表明, 该算法不仅能有效抑制局部收敛、减少对初始聚类中心的依赖, 而且准确率和稳定性均有较大的提高.
相似文献