基于频响函数扩展修正的Benchmark结构损伤识别

提出了一种基于频响函数扩展的模型修正方法,利用该方法对IASC-ASCE SHM Benchmark结构进行了损伤识别.结果表明,该方法能够有效消除模态分析误差,保证修正过程中矩阵物理意义明确,降低测量噪声对修正的影响.在模型误差、测量噪声以及质量刚度分布不确定等因素的影响下,该方法共有较高的损伤识别精度.     

航天器模态分析-试验体系工程实践研究

传统航天器结构模态试验通常会用来检验结构有限元分析模型,但往往是通过人工调整有限元模型参数来修正模型,分析与试验联系不紧密,影响后续分析结果的精度、研制周期和经费等.为改变航天器模态分析及试验现状,文中介绍了模态分析-试验体系工程研制流程在理论上的可行性,并以某缩比舱段为例,基于Virtualab-Nastran软件平台,完整实施模态分析-试验体系过程,包括预试验分析、模态试验、模型修正等过程,紧密联系模态分析、试验,并依据试验结果准确快速修正有限元模型,使分析结果与试验接近,实现精确建模.     

基于非平衡数据下不完备混合型信息系统的属性约简

完备混合型信息系统下的粗糙集模型是传统粗糙集模型的重要扩展,目前关于非平衡数据属性约简的研究仅限于完备混合型的粗糙集模型。针对这一问题,提出一种基于不完备混合型信息系统的非平衡数据属性约简。本文首先将传统的粗糙集模型进行推广,提出不完备混合型信息系统下的粗糙集模型;然后针对数据的非平衡性,根据上下边界区域和类分布的不均匀性定义了一种新的属性重要度;在基于区别矩阵的基础上设计出一种非平衡数据的属性约简算法。实验分析表明该算法针对不完备非平衡数据的属性约简具有一定的有效性和优越性。     

混沌量子粒子群算法在模型修正中的应用

混沌粒子群算法和量子粒子群算法在一定程度上改进了标准粒子群算法的搜索质量,但两者仍存在收敛速度慢、易陷入局部极小等问题。混沌量子粒子群算法将混沌搜索机制引入量子粒子群算法,提高了搜索效率和计算质量。用粒子群算法、混沌粒子群算法、量子粒子群算法和混沌量子粒子群算法对一平板结构进行模型修正,结果表明,混沌量子粒子群算法具有较高的搜索效率和避免陷入局部最优的能力,修正后的模型比单独采用混沌或者量子粒子群算法具有更高的修正精度。     

模型修正的正交模型-正交模态改进法

正交模型-正交模态法（CMCM）是一种参数修改的新方法,它具有不依赖于灵敏度分析、不需要进行迭代的特点.但是在有限元存在整体建模误差时,该方法会出现无法完成修正计算的情况,本文针对此问题进行了改进.改进后的方法可以既可以处理存在局部建模误差的情况,也可以处理存在整体建模误差的情况.本文通过梁式结构的数值算例,比较了原修正方法（CMCM）、改进后的修正方法（ICMCM）以及商业软件模型修正FEMtools的修正效果.结果表明：改进的正交模型-正交模态方法可以使分析频率更好地逼近实验值,物理参数的修改也更加准确.     

不完备数据中面向特征值更新的增量特征选择方法

实际应用中,数据常常表现出不完备性和动态性的特点.针对动态不完备数据中的特征选择问题,提出了一种基于相容粗糙集模型和信息熵理论的增量式特征选择方法.首先,建立了不完备信息系统中特征值动态更新时论域上条件划分与决策分类的动态更新模式,分析了作为特征重要度评价准则的不完备相容信息熵的增量计算机制,并将该机制引入到启发式最优...     

采用布尔矩阵不完备信息系统的属性约简

对于不完备信息系统完备化问题,现在常采用的方法是数据补齐法和扩充法,在研究和分析了其优劣后,提出一种完全依据信息系统提供的信息来产生布尔可辨矩阵的方法。给出一个基于对布尔可辨矩阵进行化简的求属性约简（或最小属性约简）的高效算法。     

一种基于特征选择的不完整数据分类方法

特征选择（也称作属性选择）是简化数据表达形式,降低存储要求,提高分类精度和效率的重要途径。实际中遇到的大量的数据集包含着不完整数据。对于不完整数据,构造选择性分类器同样也可以降低存储要求,提高分类精度和效率。因此,对用于不完整数据的选择性分类器的研究是一项重要的研究课题。有鉴于此,提出了一种用于不完整数据的选择性贝叶斯分类器。在12个标准的不完整数据集上的实验结果表明,给出的选择性分类器不仅分类准确率显著高于非常有效地用于不完整数据的RBC分类器,而且分类性能更加稳定。     

一种基于 Bernoulli混合模型的不完整数据文本分类方法

在Bernoulli混合模型和期望最大化(EM)算法的基础上给出了一种基于不完整数据的改进方法。首先在已标记数据的基础上通过Bernoulli混合模型和朴素贝叶斯算法得到似然函数参数估计初始值, 然后利用含有权值的EM算法对分类器的先验概率模型进行参数估计,得到最终的分类器。实验结果表明,该方法在准确率和查全率方面要优于朴素贝叶斯文本分类。     

基于邻域辨识矩阵的属性约简增量式算法

邻域粗糙集模型可以直接处理连续型数据.属性约简是邻域粗糙集模型的重要研究内容之一.目前已有的增量式粗糙集约简算法主要考虑经典的粗糙集模型的情况,不适用于邻域粗糙集模型.为此,提出一种基于邻域辨识矩阵的属性约简增量式算法,主要考虑连续型数据对象动态增加的情况下的属性约简问题.为了解决该问题,提出了一种邻域决策系统的辩识矩阵,通过辨识矩阵的动态更新实现动态求核,并在此基础上,利用原有的属性约简进行属性约简的更新.     

不完备信息系统的数据挖掘方法研究*

根据分层递阶约简算法,提出了一种直接在不完备信息系统上进行数据挖掘的方法.该方法首先将信息系统中由所有属性构成的单层知识表示转变成由部分属性所构成的多层知识表示,即由完备属性和不完备属性表示;然后建立了两个不同层次的子系统,并推导出各个子系统的规则集;最后,将该方法应用于心脏病诊断系统的研究.仿真结果证明,该方法具有较强的实用性和有效性,并能提高知识约简的速度.     

基于变精度粗糙集的不完备信息系统知识约简

基于变精度的思想,提出了一种新的不完备信息系统变精度粗糙集模型。基于该模型给出了不完备信息系统的β上（下）分布约简和β上（下）近似约简。给出了求解不完备信息系统β上（下）分布约简的辨识矩阵方法。     

一种基于残缺语言判断矩阵的群决策模型

研究了偏好信息为残缺语言判断矩阵的群决策问题。通过创建一个转换公式,将加性语言判断矩阵转化为互补判断矩阵,探讨了判断矩阵转换的一致性;应用转换公式将专家个体的加性残缺语言判断矩阵转化为残缺互补判断矩阵,并利用残缺互补判断矩阵排序向量的和行归一法,求出专家个体的排序向量;根据专家个体的排序向量,通过建立并求解一个非线性规划模型,得到专家群组的排序向量,从而实现备选方案的排序和择优。通过算例说明了方法的可行性与有效性.     

基于SVM和多观测样本的相似不完整数据分类

针对具有多观测样本的相似不完整数据分类问题,提出基于SVM和多观测样本的相似数据分类算法。每类数据的多观测样本集由属于同一模式的单观测样本组成,每次分类时,对两个多观测样本集的标签做两次假设,通过比较不同标签假设下的分类误差确定多观测样本集的标签。该方法同时充分利用了样本类内的相关性和类间的差异性,实现了相似不完整数据的分类。实验结果验证了所提出方法的有效性。     

一种飞行数据的模糊关联规则挖掘算法*

提出利用模糊属性集和关联规则的支持度获得高效率的关联规则增量更新挖掘的方法。首先对输入数据集进行模糊离散化,确定相应的模糊属性集,模糊支持数和各属性原先的模糊聚类中心;然后检查是否满足最小支持度条件,将其添加到更新后的模糊频繁属性集集合中;最后比较模糊频繁属性集和负边界的变化,得到最终更新后的模糊频繁属性集和相应的关联规则。采用实际飞行数据验证了该算法可以避免反复和多层扫描数据库的时间消耗问题,模糊关联规则挖掘算法可以高效和准确提取增量关联规则。     

基于BERT的不完全数据情感分类

不完全数据,如社交平台的互动信息、互联网电影资料库中的影评内容,广泛存在于现实生活中.而现有情感分类模型大多建立在完整的数据集上,没有考虑不完整数据对分类性能的影响.针对上述问题提出基于BERT的栈式降噪神经网络模型,用于面向不完全数据的情感分类.该模型由栈式降噪自编码器(SDAE)和BERT两部分组成.首先将经词嵌入...     

Incremental feature selection based on rough set in dynamic incomplete data

Feature selection plays a vital role in many areas of pattern recognition and data mining. The effective computation of feature selection is important for improving the classification performance. In rough set theory, many feature selection algorithms have been proposed to process static incomplete data. However, feature values in an incomplete data set may vary dynamically in real-world applications. For such dynamic incomplete data, a classic (non-incremental) approach of feature selection is usually computationally time-consuming. To overcome this disadvantage, we propose an incremental approach for feature selection, which can accelerate the feature selection process in dynamic incomplete data. We firstly employ an incremental manner to compute the new positive region when feature values with respect to an object set vary dynamically. Based on the calculated positive region, two efficient incremental feature selection algorithms are developed respectively for single object and multiple objects with varying feature values. Then we conduct a series of experiments with 12 UCI real data sets to evaluate the efficiency and effectiveness of our proposed algorithms. The experimental results show that the proposed algorithms compare favorably with that of applying the existing non-incremental methods.     

基于划分贴近度的不完备信息系统属性约简

在不完备信息系统中,通过引入划分贴近度,对不完备信息系统中属性的重要性进行了定义。针对不完备信息表和不完备决策表提出了两个新的基于划分贴近度的属性约简算法,两个算法的时间复杂度均为O（m²n²）。通过实例说明,这两个算法能分别得到不完备信息表的约简和不完备决策表的相对约简。     

一种基于关联分类的增量更新算法

针对现有关联分类技术的不足,提出了一种适用于关联分类的增量更新算法IUAC。该算法是基于频繁模式树挖掘和更新关联规则的,并使用一种树形结构来存储最终用于分类的关联规则。同时,增加了对分类规则的约束条件,进一步控制了用于分类的关联规则的数量。最后,对算法整体进行了分析和讨论。