基于权重的云推理算法

虽然正态云模型具有普适性,但它在描述论域内单调上升或下降的概念时存在一些局限性,同时由于现有的云推理算法存在多条件下人为主观因素影响大、运算量大等问题,为此提出一种新的指数云模型来描述单调概念,并基于此提出一种基于权重的云推理算法。该算法将多条件发生器拆分为多个一维发生器,先通过层次分析法确定各个条件的属性权重,再采取加权平均法将单条件单规则发生器输出的结果精确化为一个具体的输出值。将基于权重的云推理算法用于鱼雷规避仿真系统中,并与模糊推理结果进行比较,验证了该算法的有效性和实用性。     

基于云模型的不确定性推理方法

云模型实现了定性概念与其定量表示之间的不确定转换,在云模型基础上构建的规则发生器能有效描述用自然语言表示的定性规则.在单条件单规则发生器基础上,进一步提出双条件单规则发生器的实现算法,给出了云推理系统的体系结构.将基于云模型的不确定性推理方法用于设计电机转速控制系统,并且与模糊推理方法进行了比较,验证了云推理方法的有效性和实用性.     

基于云模型的可信软件可靠性度量模型

针对可信软件可靠性定性评估问题,将云模型理论与GB/T16260中软件可靠性度量指标相结合,提出了一种基于云模型的软件可靠性度量模型.模型根据可靠性度量指标提取样本信息,通过云发生器生成云模型,运用合并云算法将多个属性云合并为一个综合云模型,使用带权重的欧氏距离云决策算法确定综合云模型的可靠性等级.通过某安全关键软件验证,该模型能够更加客观、真实地反映软件的可靠性.     

基于分解云的分类器设计

基于云模型的分类算法多采用云变换和泛概念树方法,存在分类结果与先验知识不一致的问题。从粒度计算的角度对云模型理论进行了分析,揭示出云模型的粒度原理。提出了一种基于分解云的不同粒度下的云模型分类方法,并给出了分类方法的算法描述。用风云2C气象卫星的数据对算法进行了测试,从实验结果来看该方法具有较好的分类效果。     

一种具有相依关系的二维云推理方法及其在预测中的应用

基于云模型的定性知识推理通过构造规则发生器实现不确定性推理。然而传统的二维云推理方法并未考虑条件云之间的相互影响,故此对传统方法进行改进,通过条件云云滴的乘积作用,构造相应的规则发生器,提出一种基于相依条件云的二维云推理方法。将该方法应用于美国GDP预测,预测结果表明该方法的效果明显优于传统方法,进而表明该方法可行且有效,并在一定程度上弥补了传统方法的不足。     

基于LabVIEW的一维云模型推理映射研究

云模型非线性映射关系是云模型应用于智能控制领域的关键问题。基于LabVIEW平台,首先将云模型单规则推理映射算法封装为LabVIEW子函数,可供云模型推理映射研究调用;进而研究了云模型非线性推理映射关系,对一种饱和特性映射关系给出了软件仿真和硬件实测结果,对一种新的云模型期望系统设计了输入、输出云模型参数以及推理规则,得到了较好的映射效果。为今后基于LabVIEW的云模型控制器的设计和应用提供了参考。     

一种基于正向云变换的混合计算神经网络及其应用

针对数值信息与定性领域知识相互融合的计算问题,提出了一种基于云变换的混合计算神经网络模型。利用正向正态云发生器可实现定性概念到量化数值描述之间不确定关系的转换机制,建立基于云变换的混合信息计算逻辑和神经网络模型。将定性概念谓词通过云变换在概率意义下转换为数值变量,把计算规则表示为神经元,利用神经网络的学习性质来实现对定量与定性混合信息的自适应计算和推理。在算法设计中,将网络性质参数整合为一个粒子,利用粒子群算法对混合计算神经网络进行整体优化求解。以石油地质研究中的沉积微相自动识别为例,实验结果验证了模型和算法的有效性。     

一种基于云模型的贝叶斯网络EM参数学习算法

针对贝叶斯网络连续节点离散化后,概念知识表达存在模糊性和随机性的问题,提出一种将云模型与EM(Expectations Maximization)算法相结合的贝叶斯网络参数学习算法。首先运用启发式高斯云变换算法(Heuristic Gaussian Cloud Transformation)和云发生器将连续节点定量样本转换成定性概念,并记录下样本对所属概念的确定度,运用确定度概率转换公式将确定度转换成相应概率;随后复制扩充样本并按概率选择所属概念;样本更新后结合EM算法进行参数优化,实现贝叶斯网络的参数学习。仿真实验结果表明,通过云模型表征概念得到的参数学习结果更加符合实际情况,参数学习精度和网络推理准确性得到了提高。     

云推理方法及其在预测中的应用

不确定性推理是当前人工智能研究领域中的一项重要研究内容。云模型实现了定性概念与其定量表示之间的不确定转换,在云模型基础上构建的规则发生器能有效描述用自然语言表示的定性规则,实现不确定性推理。将基于云模型的不确定性推理方法用于预测实际工作环境中电子产品的使用寿命,说明了云推理方法的有效性和实用性。     

基于振动信号和云推理的球磨机负荷软测量

采用振动信号对球磨机料位进行测量时,特征值具有散度大、随机性强的特点.对此,基于具有将随机性、模糊性与稳定倾向性相结合能力的云模型,提出一种利用云模型对球磨机料位进行概念表示和推理测量的方法.首先,利用逆向云发生器对振动信号的功率谱特征值进行概念提取以获得前件云;然后,由料位值信息建立相对应的后件云;最后,利用云模型的不确定推理实现球磨机料位的软测量.对比实验结果表明了所提出方法的有效性和可行性.     

结合网络层次分析法的云推理威胁评估模型*

针对传统的威胁评估方法存在指标数据冗余、指标权值设置合理性、推理有效性等问题,建立结合网络层次分析法的云推理威胁评估模型,能够合理精简指标,有效优化推理规则。将该模型用于目标识别系统的威胁评估,首先给出威胁评估指标,用网络层次分析法精简指标并得到规范化权值;构建指标云模型,将规范后的指标数据输入前件云发生器,建立推理规则库,引入分级结构简化规则数,运用加权扎德算子实现规则的合成,将合成结果输入后件云发生器得到威胁度云滴,经多次重复操作后,处理数据得到系统威胁度。最后,以实例说明方法的有效性。     

基于云模型的煤炭企业物资供应商综合评价

由于煤炭物资的特殊性,供应商所提供物资的质量,供货的及时性等诸多因素都关系到煤矿企业的安全生产问题,因此,物资供应商的选择对煤炭企业的安全生产极其重要。在现有供应商评价指标体系的基础上,应用云理论修正了部分指标的权重,摒弃了以往研究的硬划分,引进了云模型对评价等级概念进行了软划分,利用云理论的正向云发生器,逆向云发生器,X条件云发生器建立了物资供应商的云评价模型,进行了实例评价,验证了模型的有效性,挖掘出了更多有价值的信息,为煤炭企业合理、科学地选择供应商提供可靠的决策依据。     

基于蜜蜂双种群进化机制的云自适应遗传算法

为了提高传统自适应遗传算法的鲁棒性,受蜜蜂双种群进化的机制启发,把雄蜂通过竞争参与交叉及雄蜂与决定双蜂群优秀遗传基因的蜂后交叉的机制引入算法中,再利用正态云模型云滴的随机性和稳定倾向性特点,提出了基于蜜蜂双种群进化机制的云自适应遗传算法。算法由正态云模型的Y条件云发生器及蜂后参与的方式实现交叉操作,基本云发生器实现变异操作。函数优化实验和暴雨强度公式参数优化的仿真结果表明了算法的有效性和可行性。     

云自适应粒子群优化算法在数值积分中的应用

为了提高传统自适应粒子群优化算法的鲁棒性,由X条件云发生器自适应调整粒子的惯性权重,提出云自适应粒子群优化算法。由于云滴具有随机性和稳定倾向性的特点,使得惯性权重既具有传统的趋向性,满足快速寻优能力,又具有随机性,有利于提高种群的多样性,提高了收敛速度。通过对求解任意函数数值积分的实验表明,该算法计算精度高、求解速度快,是求解数值积分的一种有效的方法。     

基于计算机模拟的云模型评估方法研究与实践

针对高等院校教学质量评估使用的方法缺乏全面性、科学合理性、与实际偏离过大等问题,本文提出一种基于计算机模拟的云模型评估方法,即采用云模型中的逆态云发生器并引入计算机模拟技术模拟专家思维,产生大量的云滴,评估结果的误差将接近正常的理论范围,同时在云模型算法中将虚拟云综合算法和相似比算法结合得出全面细化的评语。以某高等院校教学质量评估实例进行应用,结果表明该方法能克服以往高等院校教学质量评估方法缺点,与实际相符,能够全面科学的对教学质量进行评估。     

基于云模型的定性评价及在学评教中的应用

学评教定性评价是高校教学质量管理的重要环节,对高校的快速发展具有积极意义和重要作用。提出基于云模型的学评教综合评价模型,利用逆向云发生器实现评价指标评语的定性定量转换,运用虚拟云的算法获得最终的评价云模型,通过分析数字特征和云滴分布得到评价的结果。实例验证表明,评价结果直观可靠,具有一定的实践意义和指导作用。     

基于云模型云滴机制的量子粒子群优化算法

利用云模型云滴的随机性和稳定倾向性的特点,提出了一种云模型云滴机制的量子粒子群优化算法,该算法在量子粒子群优化的基础上,由云模型的X,Y条件发生器产生杂交操作,由基本云发生器产生变异操作,用于求解具有变量边界约束的非线性复杂函数最优化问题。仿真结果表明,该算法具有计算精度较高,搜索速度较快等特点,具有一定的参考和应用价值。     

云自适应粒子群算法

文中提出了云自适应粒子群优化（CAPSO）算法,根据粒子适应度值把种群分为三个子群,分别采用不同的惯性权重生成策略,由X条件云发生器自适应调整普通子群粒子的惯性权重,由于云模型云滴具有随机性和稳定倾向性特点,使惯性权重既具有传统的趋势性,满足快速寻优能力,又具有随机性,在提高收敛速度和保持种群多样性之间做了一个很好的权衡。通过典型函数优化实验表明,与标准粒子群算法相比,CAPSO具有较高的计算精度和较快的收敛速度。     

一种新的云模型控制器设计

首先提出一种新型的云模型控制器结构模型．这种结构模型是一种本质非线性模型，可以很容易由一组不确定性推理规则构成．文中分析了云模型的非线性映射特性，同时给出了基于此结构模型的智能控制器的设计方法及仿真实例．