R2空间上分布数据的多重分形维数谱计算和分形特征提取

近年来多重分形的概念在物理、化学等领域得到了发展和应用 ,在这些领域中 ,这种方法显示出了对于研究物理和化学量的空间分布是很有用的 .多重分形谱的计算是其中重要而又较难处理的问题 .从多重分形的理论出发 ,讨论了在数据处理的实际工作中有广泛应用的二维空间中多重分形谱的计算及分形特征提取的算法 ,介绍了算法的数学原理 ,描述了完整的算法流程 ,并给出了此算法的一个计算实例     

基于可变影响空间的多目标进化算法的解集均匀性评价方法

解集的均匀性评价是多目标进化算法中性能评价的要素之一.文中结合面向个体和面向空间的思想,提出可变影响空间的概念,并基于此提出一种解集均匀性评价方法——基于可变影响空间的多目标进化算法的解集均匀性评价方法(VISUM).该方法通过分析个体在可变影响空间内的相对均匀程度,能准确反映解集的分布均匀性.实验结果证明文中方法的可行性和有效性.     

一种分阶段的改进多目标粒子群优化算法

在多目标优化问题求解上,粒子群优化算法存在所得最优解集精度不足、分布不够均匀的缺点,针对上述问题,提出了一种多种群分阶段的多目标粒子群优化算法.算法对外部档案个体采取多种算子进行处理以提高解集的收敛精度,引入简化粒子群优化模型使算法更适应多目标优化问题的求解,通过分阶段选取领导个体以及分阶段采取不同策略对非支配解集进行维护以维持解分布均匀性的同时提高收敛速度,重点改善高维多目标优化问题的解集分布均匀性.实验结果表明,改进算法所得的非支配解集具有更好的分布均匀性和收敛精度.     

昂贵区间多目标优化空间数据挖掘求解策略

针对优化函数未知的昂贵区间多目标优化问题,提出一种基于主曲线建模的NSGA-II算法.该算法首先根据决策空间流形分布的种群数据构建K主曲线;然后利用所构建的K主曲线模型,通过插值和延展的方法生成子代.与遗传算法的随机生成子代策略相比,通过所提出方法生成有效子代效率会更高.由于目标空间拥挤距离无法求出,为此利用K主曲线找出待测解的前、后近距离解,按照决策空间拥挤距离对同序值解进行筛选,从而实现NSGA-II算法的改进.     

海杂波的多重分形特性分析

通过对实测海杂波数据进行多重分形测度分析,判定海杂波信号具有多重分形特性。本文进一步提取表征海杂波复杂特性的多重分形参数,研究了不同条件下海杂波多重分形特性的变化特点,探讨了基于多重分形特性的雷达目标检测方法的可行性,并给出了实验结果。本文的研究为基于多重分形特性的海杂波建模与仿真、雷达目标检测提供了依据。     

基于多重分形的VBR视频流量多步预测方法

视频流量的实时预测是进行网络资源优化和端到端QoS策略设计的重要前提.然而,目前基于短相关(SRD)的预测模型并不能对非平稳且具有长相关(LRD)和分形特性的视频流量进行有效的预测.分析发现,通过多重分形尺度间系数的相关性,可以把难以直接预测的LRD流量序列转化为可以用SRD模型预测的短相关序列组.基于多重分形的预测算法合理地利用了原始序列的LRD信息,具有很好的多步预测性能.     

空间目标RCS序列的多重分形分析

分析了空间目标RCS序列产生混沌的机理,将非线性理论中的多重分形分析法引入空间目标RCS序列的研究中,用多重分形分析法分析了空间目标RCS序列的混沌特性;实测数据计算结果表明,与旋转目标相比,三轴稳定目标RCS序列较复杂,这与实际分析的情况相符合,证明了该方法的有效性;另外,还证明了空间目标RCS序列服从多重分形分布。     

移动社交网络的多重分形影响因素分析

为更好地描述移动社交网络时间序列的动态演化性,研究Camb lab、MIT、Inf 05和Roller 4个典型的移动社交网络数据集的多重分形特征,并基于盒子覆盖算法提出移动社交网络多重分形分析方法。通过对网络的概率密度分布和配分函数的分析,计算得到多重分形谱的极大值f(α)、谱宽W和对称性程度B,证明移动社交网络具有多重分形的特征。在此基础上,计算网络度量指标,对比分析影响移动社交网络的多重分形的内在影响因素。实验结果表明,网络度分布表现为幂律分布,当同配系数r<0时,网络的多重分形特征表现越明显,网络内部结构分布越不规则。     

基于多重分形的聚类层次优化算法

大量初始聚类结果之间存在强弱不同的相似性,会给用户理解与描述聚类结果带来不利影响,进而阻碍数据挖掘后续工作的顺利展开.传统聚类算法由于注重聚类形状及空间邻接性,或者考虑全局数据分布密度的均匀性,实际中均难以解决这一类问题.为此,提出了基于分形的聚类层次优化算法FCHO(fractal-based cluster hierarchy optimization),FCHO算法基于多重分形理论,利用聚类对应多重分形维数及聚类合并之后多重分形维数的变化程度来度量初始聚类之间的相似程度,最终生成反映数据自然聚集状态的聚类家族树.此外,初步分析了算法的时空复杂性,基于合成数据集和标准数据集的有关实验工作证实了算法的有效性.     

蛋白质序列中的多重分形分析

采用多重分形谱对蛋白质序列进行分析。按照SCOP分类法,从PDB中选取三条同属于类的分维相近的蛋白质序列,利用多重分形分别对蛋白质空间距离以及序列中氨基酸的极性、体积的复杂性进行比较。实验结果表明,多重分形的奇异谱函数比简单的分形维数能提供更多的信息,克服了分形维数相同情况下,精细结构无法区分的困难,分析结果能够更加准确地描述个体之间的差异。     

时滞多变量系统PCA优化建模

主元分析（PCA）在工业生产过程的产品质量控制与故障诊断等方面已得到广泛应用,然而当过程的变量间存在着未知时滞性时,必须确定数据间的对应关系,否则PCA模型将会不准．基于此,提出了PCA优化建模方法．该方法以过程变量间的时滞常数为优化变量,在分析PCA模型特点基础上,确定主成分个数和SPE统计量为综合目标函数,并建立模型约束条件,采用遗传算法求解．最后给出了仿真实例,证明了所提出方法的有效性．     

基于双重特征空间的人脸识别

多目标遗传算法(MOGA)是求解多目标优化问题的有效工具,因而在求解实际问题中得到越来越广泛的应用.PCA是一种基于二阶统计的最小均方误差意义上的最优维数压缩技术,PCA方法所抽取特征的各分量之间是统计不相关的.在人脸识别的实际应用中,将多目标遗传算法引入到PCA所生成的特征空间的优化中,提出基于双重特征空间的人脸识别算法.通过对剑桥ORL库实验表明,该方法与传统的PCA相比,识别率得到明显提高.     

基于误差模型的自适应鲁棒主成分分析

研究了改善主成分分析(PCA)算法鲁棒性的一种实现途径.通过对误差函数的建模分析,得到一种改进的目标函数.提出一种新的在线自适应式的鲁棒PCA运算规则.该方法基于单层线性神经网络(NN)结构,但是权值的训练算法是非线性的.从而在迭代训练中对"劣点"样本加以适当处理来排除对运算精度和收敛性的影响.     

一种求解多目标优化问题的进化算法混合框架

为了提高多目标优化算法的求解性能,提出一种启发式的基于种群的全局搜索与局部搜索相结合的多目标进化算法混合框架.该框架采用模块化、系统化的设计思想,不同模块可以采用不同策略构成不同的算法.采用经典的改进非支配排序遗传算法(NSGA-II)和基于分解的多目标进化算法(MOEA/D)作为进化算法的模块算法来验证所提混合框架的有效性.数值实验表明,所提混合框架具有良好性能,可以兼顾算法求解的多样性和收敛性,有效提升现有多目标进化算法的求解性能.     

Evolutionary algorithm-based face verification

This paper proposes a novel face verification method using principal components analysis (PCA) and evolutionary algorithm (EA). Although PCA related algorithms have shown outstanding performance, the problem lies in making decision rules or distance measures. To solve this problem, quantum-inspired evolutionary algorithm (QEA) is employed to find out the optimal weight factors in the distance measure for a predetermined threshold value which distinguishes between face images and non-face images. Experimental results show the effectiveness of the proposed method through the improved verification rate and false alarm rate.     

基于改进的NSGA-II多目标优化方法研究*

针对传统多目标优化算法在其领域存在的多个子目标不能同时取优的问题,提出了一种基于改进的非支配排序遗传算法（Non-dominated Sorting Genetic Algorithm-II, NSGA-II）多目标优化方法,以多目标优化遗传算法为基础,多输入多输出的反向传播（Back-Propagation, BP）神经网络为适应度函数评价体系,保证算法快速收敛并搜索到全局最优解集,该算法在建模前对实验数据进行主成分分析,降低了运算时间和算法难度,通过在遗传进化过程中引进正态分布交叉算子（Normal Distribution Crossover, NDX）和改进的自适应调整变异算子,实现了多个目标同时取优,保证Pareto最优解集快速、准确地获取。仿真实验使用UCI数据集,通过与其他常用的多目标优化算法对比,验证了改进的NSGA-II算法精确度更高、收敛速度更快、稳定性更强。     

一种基于Pareto最优概念和神经网络混合策略的多目标进化算法

基于Pareto最优的多目标进化算法得到了广泛地应用,但不适用于目标函数为非解析式的情况。基于神经网络和Pareto最优的联合策略,提出了一种解决此类问题的新方法：首先采用神经网络对历史数据进行学习,建立有效的神经网络模型来代替目标函数解析式;然后将神经网络模型嵌入多目标进化算法,进行进化计算;最后,将本文方法应用于卷烟配方比例掺配问题。实验结果表明,该方法优于传统方法,能较好地解决问题。     

权重自适应clonal选择算法及其应用研究

在求解两个目标以上的多目标优化问题时,基于Pareto支配的多目标进化算法多数需要较长的求解时间.基于固定权重的聚合函数方法求解速度快,但要确定一个适合待求解问题的合理权重是十分困难的,为了解决这一问题,将clonal选择算法与权重自适应方法相结合,提出了一种适用于多目标优化问题的权重自适应clonal选择算法.并将权...     

煤自然发火期的主成分神经网络预测模型

煤自然发火期是衡量煤自燃特性的一个重要参数,也是指导井下防灭火工作的重要参考依据。结合主成分分析与神经网络的优点,提出了基于主成分分析的神经网络煤自然发火期预测模型。采用主成分分析法对原始输入变量进行预处理,选择输入变量的主成分作为神经网络输入,一方面减少了输入变量的维数,消除了各输入变量的相关性;另一方面提高了网络的收敛性和稳定性,同时也简化了网络的结构。通过实例验证,基于主成分的神经网络比一般神经网络训练精度更高,学习时间更短,预测效果更优。