基于变精度粗糙信息熵的特征约简算法

为解决传统粗糙集不确定度量存在的局限,提出将变精度粗糙信息熵作为度量标准.该度量标准不仅具有变精度粗糙集良好的抗噪声干扰性能,而且具有基于信息理论的粗糙信息熵更全面反映系统不确定性的能力.给出了基于变精度粗糙信息熵的特征约简算法,实验结果表明该算法具有良好的运行效果.

     

垂直分布多决策表下基于条件信息熵的近似约简

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.

     

基于多模态进化Rao-Blackwellized 粒子滤波器的 移动机器人航迹推算系统的故障诊断

针对一类移动机器人航迹推算系统的故障诊断问题, 提出一种多模态进化Rao-Blackwellized 粒子滤波
器(MERBPF) 算法. 为解决由粒子贫乏引起的不一致性问题, 采用交叉与变异种群策略优化, 根据粒子多样性加入扰
动因子. 利用专家规则判定机器人运动状态所对应的MERBPF, 构造复杂逻辑表述方法. 仿真实验结果表明: 在强过
程噪声下, MERBPF 仍具有较高的鲁棒性, 提高了诊断机器人航迹推算系统的准确率.

     

基于维度最大熵数据流聚类的异常检测方法

针对传统数据流聚类算法聚类信息损失大、不准确的缺点, 提出一种基于维度最大熵的数据流聚类算法. 采用动态数据直方图将数据维度划分为不同的维度组, 计算各维度最大熵划分维度空间簇, 将相同维度簇的数据聚集成微簇, 通过比较微簇的信息熵大小及其分布特点实现数据流的异常检测. 该方法提升了聚类速度, 克服了传统数据流聚类算法信息丢失的缺点. 实验结果表明, 所提出算法能够提高数据流异常检测的准确性和有效性.

     

一种求解混合整数规划的混合进化算法

提出一种基于正交试验设计的混合进化算法,用于求解混合整数规划问题 .进化算法中采用一种混合启发式的变异算子,将正交试验设计作为杂交算子 .为了增加种群的多样性,引入一种迁移算子 .仿真实验结果表明,与已有的一些算法相比,所提出的求解混合整数规划的混合进化算法能快速收敛到问题的最优解,并且算法的计算量小,解的精度高.

     

一种新的动态关联规则及其挖掘算法

在分析原有定义不足的基础上,提出一种新的动态关联规则,其支持度向量和置信度向量与经典定义相吻合,能更好地反映规则随时间变化的动态信息．进一步提出两种新的动态关联规则挖掘算法：ＩＴＳ和ＥＦＰ ｇｒｏｗｔｈ．其中：两阶段ＩＴＳ算法具有较好的可理解性;基于扩展ＦＰ 树的ＥＦＰ ｇｒｏｗｔｈ算法适宜于高密度海量数据的挖掘．实验
结果表明,该算法具有较好的挖掘性能和可扩展性,适用于动态关联规则的有效挖掘．

     

基于广义差别矩阵的核和属性约简算法

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.

     

基于广义无源的输入非仿射系统的H∞控制律设计

基于动态耗散的一般理论, 提出了具有任意非线性输入端的非线性系统的一种新的控制器设
计方法。 该方法解决了以下两个问题: 1)当系统严格广义无源时, 设计非线性输出反馈使闭环系统稳定;
2) 当系统非广义严格无源时,设计同时具有状态反馈和输出反馈的双闭环控制器,使得闭环系统内稳且
具有 H ∞ 干扰衰减。对于线性系统, 所设计的问题转化为对 LMI 和 ARE 的求解问题。

     

基于GB的陀螺漂移组合预测模型

针对目前单一预测模型预测精度不高,使用范围受限的不足,利用D-S证据理论在数据融合中的优点,把证据推理(ER)与支持向量回归机预测理论有机结合建立了组合预测模型,提出了基于ER的组合预测算法,并以陀螺仪为例,实现了漂移预测.结果表明,该模型与算法是可行且有效的.

     

基于核最优变换与聚类中心的雷达目标识别

抽取有效鉴别特征是雷达一维高分辨距离像识别的关键.基于统计学习理论的核化原理,提出一种新的鉴别特征提取方法---核最优变换与聚类中心算法.该算法通过非线性变换,将数据映射到核空间,在核空间执行最优变换与聚类中心算法,能够提取一维距离像的稳健非线性鉴别特征.同时,基于训练样本在核空间所张成的子空间的一组基,给出一种快速计算方法,提高了特征提取速度.基于微波暗室实测数据的实验表明了该方法的有效性.

     

信息熵度量的离群数据挖掘算法

离群数据挖掘是为了找出隐含在海量数据中相对稀疏而孤立的异常数据模式,但传统的离群数据挖掘方法受人为因素影响较大.通过引入基于信息熵的离群度量因子,给出一种离群数据挖掘新算法.该算法先利用信息熵计算每个数据对象的离群度量因子,然后通过离群度量因子来衡量每个对象的离群程度,进而检测离群数据,有效地消除了人为主观因素对离群检测的影响,并能很好地解释离群点的含义.最后,采用UCI和恒星光谱数据作为实验数据,通过对实验的分析,验证了该算法的可行性和有效性.     

基于信息熵和混沌理论的遗传—蚁群协同优化算法

为了融合遗传算法和蚁群算法在解决组合优化问题方面的优势,提出一种基于信息熵和混沌理论的遗传.蚁群协同优化算法.利用信息熵产生初始群体,增加初始群体的多样性,并将混沌优化的遍历特性引入融合的遗传.蚁群算法,改进相关参数,实现参数的自适应控制以及遗传算法与蚁群算法混合优化策略的有机集成.通过仿真实例表明了混合智能算法在解决...     

基于图像多尺度熵的红外图像匹配跟踪算法

在对图像熵进行分析的基础上,引入图像多尺度熵的概念,定义了图像的多尺度熵及多尺度熵矢量,提出了一种基于区域的匹配跟踪算法—–基于图像多尺度熵的红外图像匹配跟踪算法.首先计算图像的多尺度熵,得到图像多尺度熵矢量;然后利用多尺度熵矢量间的绝对距离(AD)进行匹配跟踪.实验表明,该算法不仅具有稳定、精确的匹配跟踪性能,而且能在目标发生旋转时,较好地匹配跟踪目标,并具有良好的抗几何失真能力.     

基于信息论的高维海量数据离群点挖掘

针对高维海量数据集离群点挖掘存在“维数灾难”的问题,提出了基于信息论的高维海量数据的离群点挖掘算法。该算法采用属性选择,去除冗余属性降维。利用信息嫡作为离群点判断的度量标准,消除距离和密度量纲的弊端。在真实数据集上的实验结果表明,算法对高维海量数据离群点挖掘是有效可行的,其效率和精度得到了明显提高。     

基于直觉模糊熵的直觉语言多准则决策方法

针对现有直觉模糊熵方法中存在的一些问题,提出一种新的直觉模糊熵,并将其与现有的几种直觉模糊熵计算结果进行比较.针对准则权重信息不完全且准则值为直觉语言数的多准则决策问题,通过建立基于模糊熵的决策模型来求解准则的最优权系数,并利用直觉语言加权算数平均算子(IL-WAA)求出方案的综合准则值,进而由直觉语言数的记分函数确定方案的排序.最后,通过算例分析验证了该方法的有效性和合理性.     

直觉模糊离散粒子群算法

在研究和分析离散粒子群算法(DBPSO)的基础上,提出一种基于直觉模糊熵的改进离散粒子群算法(IFDPSO).该算法以直觉模糊熵作为粒子群状态测度和速度变异的基本参数,同时加入了位置变异策略以保证算法在有限时间内尽可能多地遍历到次优位置及其邻域,增强了算法的全局寻优能力.实验数据表明,在求解较大规模整数规划问题(如0-1背包问题)时,IFDPSO比DPSO和蚁群算法(ACO)更为有效,从而为解决这类问题提供了新的途径和方法.     

基于全息熵的空间离群点挖掘算法研究

基于距离和基于密度的离群点检测算法受到维度和数据量伸缩性的挑战, 而空间数据的自相关性和异质性决定了以属性相互独立和分类属性的基于信息理论的离群点检测算法也难以适应空间离群点检测, 因此提出了基于全息熵的混合属性空间离群点检测算法。算法利用区域标志属性进行区域划分, 在区域内利用空间关系确定空间邻域, 并用R*-树进行检索。在此基础上提出了基于全息熵的空间离群度的度量方法和空间离群点挖掘算法, 有效解决了混合属性的离群度的度量和离群点的挖掘问题。由于实现区域划分有利于并行计算, 从而可适应大数据量的计算。理论和实验证明, 所提算法在计算效率和实验结果的可解释性方面均具有优势。     

一种改进的粗k 均值聚类算法

Lingras提出的粗K均值聚类算法易受随机初始聚类中心和离群点的影响,可能出现一致性和无法收敛的聚类结果.对此,提出一种改进的粗K均值算法,选择潜能最大的K个对象作为初始的聚类中心,根据数据对象与聚类中心的相对距离来确定其上下近似归属,使边界区域的划分更合理.定义了广义分类正确率,该指标同时考虑了下近似集和边界区域中的对象,评价算法性能更准确.仿真实验结果表明,该算法分类正确率高,收敛速度快,能够克服离群点的不利影响.     

基于交叉熵算法的PID 控制器设计

交叉熵优化方法是一种新型高效的随机优化算法,算法控制参数简单,鲁棒性强.将交叉熵优化算法用于PID控制器的参数设计,并与基于遗传算法的PID控制器设计进行对比,结果表明,交叉熵优化算法不仅所获结果较优,而且计算复杂度也明显小于遗传算法.