支持向量机和一类模糊推理系统的等效性及其应用

支持向量机（ＳＶＭ）和模糊推理系统（ＦＩＳ）分别源于统计学习理论（ＳＬＴ）和认知学两个不同的领域．在一定约束条件下,提出并证明了ＳＶＭ 和一类基于规则的ＦＩＳ的函数等效性定理．在此基础上,提出基于ＳＶＭ 学习过程的ＦＩＳ（ＭＢＦＩＳ）的设计方法．ＭＢＦＩＳ继承了ＳＶＭ 良好的泛化能力和对“维数灾难”的避免能力,也继承了基于规则的ＦＩＳ的显式推理能力．Ｂｅｎｃｈｍａｒｋ数据实验表明,ＭＢＦＩＳ具有良好的分类性能．     

RBF神经网络参数估计的两种混合优化算法

基于全局搜索的进化算法和一种局部搜索算法———结构化的非线性参数优化方法（ＳＮＰＯＭ）,提出两种混合的优化算法来估计ＲＢＦ神经网络中的参数：１）初始化一定数目的种群作为ＳＮＰＯＭ 的初始值得到其适应值,通过选择、交叉和替换策略来更新种群;２）采用进化算法运行一定的代数,从最终群体中选取一些个体进一步用ＳＮＰＯＭ来优化．这两种混合优化算法的本质是用进化算法为ＳＮＰＯＭ 搜寻最优初始值,以得到全局最优解．仿真实验结果表明,该混合算法比单独使用进化算法或ＳＮＰＯＭ 更优,且优于其他一些算法．

     

最大间隔最小体积球形支持向量机

结合支持向量机（ＳＶＭ）类间最大分类间隔和支持向量数据描述（ＳＶＤＤ）类内最小描述体积思想,提出一种新的学习机器模型———最大间隔最小体积球形支持向量机（ＭＭＨＳＶＭ）．模型建立两个大小不一的同心超球,将正负类样本分别映射到小超球内和大超球外,模型目标函数最大化两超球间隔,实现正负类类间间隔的最大化和各类类内体积的最小化,提高了模型的分类能力．理论分析和实验结果表明该算法是有效的．

     

基于网络控制系统平均时延的模糊控制器设计

针对网络控制系统（ＮＣＳ）中的随机时延问题,根据实际网络时延的分布情况,提出一种新的具有随机时延的网络控制系统的建模方法———离散Ｔ Ｓ模型,并在此基础上应用并行分布补偿原理（ＰＤＣ）设计模糊控制器．同时提出一种新的模糊控制系统隶属函数的确定方法,利用Ｌｙａｐｕｎｏｖ定理和线性矩阵不等式（ＬＭＩ）研究系统的稳定性问题,给出了基于ＬＭＩ的模糊控制器的设计方法．最后通过仿真实例验证了该控制方法能使具有时延的网络控制系统稳定．

     

基于博弈论和VMI共享机制协调模型

以供应商和零售商组成的二阶段供应商管理库存（ＶＭＩ）供应链系统为研究对象,考虑随机需求下的ＶＭＩ系统中可能存在的滞销成本或缺货惩罚,建立了传统、Ｓｔａｃｋｅｌｂｅｒｇ博弈、Ｎａｓｈ协商的３种收益共享机制的协调模型,并得出Ｎａｓｈ协商能完美协调分散式ＶＭＩ供应链的结论．最后,通过数值算例对相关结论进行了验证和分析．

     

两种求解非正定核Laplac-SVR的SMO算法

提出２种用于求解非正定核Ｌａｐｌａｃｅ ＳＶＲ 的序列最小最优化（ＳＭＯ）算法．第１种算法仅针对Ｌａｐｌａｃｅ ＳＶＲ而设计;第２种算法将Ｌａｐｌａｃｅ ＳＶＲ 作为所要解决问题的一种特殊情况,使算法更具通用性．所提出的算法在保证收敛的前提下,使非正定Ｌａｐｌａｃｅ ＳＶＲ 能够达到比较理想的回归精度,具有一定的理论意义和实用价值．

     

一种基于直觉模糊集相似度的多属性决策方法

直觉模糊集（ＩＦＳ）是对模糊集理论的一种扩充,能更好地处理模糊概念．首先给出一种新的直觉模糊集相似度;然后提出基于直觉模糊集相似度的多属性决策方法;最后通过线性目标规划模型和直觉模糊集相似度,得到属性的最优权重和相应的方案排序．数值实例表明,该方法是有效而可行的．

     

一种LDA与SVM混合的多类分类方法

针对决策有向无环图支持向量机（ＤＤＡＧＳＶＭ）需训练大量支持向量机（ＳＶＭ）和误差积累的问题,提出一种线性判别分析（ＬＤＡ）与ＳＶＭ 混合的多类分类算法．首先根据高维样本在低维空间中投影的特点,给出一种优化ＬＤＡ 分类阈值;然后以优化ＬＤＡ 对每个二类问题的分类误差作为类间线性可分度,对线性可分度较低的问题采用非线性ＳＶＭ 加以解决,并以分类误差作为对应二类问题的可分度;最后将可分度作为混合ＤＤＡＧ 分类器的决策依据．实验表明,与ＤＤＡＧＳＶＭ 相比,所提出算法在确保泛化精度的条件下具有更高的训练和分类速度．

     

一种新型神经网络广义逆系统

提出一种新型带有反馈环节的广义逆系统方法,并给出了其存在性的证明．该方法首先利用神经网络构造被控对象的α 阶逆系统,通过改变反馈环节参数可随时任意配置复合系统极点,无需重新构造广义逆系统．分别对ＳＩＳＯ 和ＭＩＭＯ 非线性系统进行仿真研究．仿真结果表明,在配置极点变换时,利用该方法构造的广义逆系统仍可对原系统实现有效的线性化和解耦．

     

Ｓｔｅｗａｒｔ主动隔振平台的神经网络自适应控制

针对Ｓｔｅｗａｒｔ主动隔振平台,提出一种基于径向基函数（ＲＢＦ）神经网络的多输入多输出自适应隔振控制方法．考虑外界振动对Ｓｔｅｗａｒｔ主动隔振平台动态特性的影响,建立了隔振平台在工作空间中的动力学模型．推导出ＲＢＦ神经网络的权值矩阵、高斯基函数中心和宽度的在线自适应调节律,以使神经网络快速逼近系统的非线性动态函数．应用Ｌｙａｐｕｎｏｖ稳定性理论,证明了在扰动力和神经网络逼近误差有界的条件下,闭环控制系统滤波误差和ＲＢＦ神经网络各调节参数估计误差的一致最终有界．仿真结果表明,该控制方法能有效地抑制不同方向的低频有界振动.

     

利用多变量自适应回归样条函数确定ATCS复合分派规则的缩放参数

提出一种利用多变量自适应回归样条函数（ＭＡＲＳ）来确定考虑准备时间的直观延误成本（ＡＴＣＳ）复合分派规则中缩放参数的方法,以优化ＡＴＣＳ分派规则在最小化总加权延误时间（ＴＷＴ）上的效果．通过利用ＭＡＲＳ模型在高维空间上的弹性建模能力,构建调度作业组与缩放参数之间的非线性模型,以便灵活地捕捉更多的局部映射关系．对比实验结果表明,与已有方法相比,该方法可显著地改善ＡＴＣＳ规则在最小化总加权延误时间上的效果,同时降低调度效果的不稳定性．

     

基于Ｔ-Ｓ模型的非线性网络控制系统的量化保成本控制

研究一类非线性网络控制系统的量化保成本控制问题．首先在考虑量化因素的影响下,基于Ｔ-Ｓ模糊模型方法建立包含时延、丢包和量化信息的新的非线性网络控制系统模型;其次运用Ｌｙａｐｕｎｏｖ稳定性理论和并行分布式补偿（ＰＤＣ）方法给出系统稳定性条件,运用锥补方法和线性矩阵不等式（ＬＭＩ）技术求解量化保成本控制器．仿真结果和横向比较结果验证了该方法的有效性．

     

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．

     

带噪声统计估计器的犝狀狊犮犲狀狋犲犱卡尔曼滤波器设计

针对传统Ｕｎｓｃｅｎｔｅｄ卡尔曼滤波器（ＵＫＦ）在噪声先验统计未知或不准确时滤波精度下降甚至发散的问题,基于极大后验（ＭＡＰ）估计原理,设计了一种带噪声统计估计器的ＵＫＦ．该ＵＫＦ 滤波算法在进行状态估计的同时,能实时估计和修正噪声均值和协方差．相比于传统ＵＫＦ,所提出的ＵＫＦ具有应对噪声统计变化的自适应能力．仿真结果表明了该ＵＫＦ滤波算法的有效性．

     

文本聚类集成问题中的谱算法

聚类集成中的关键问题是如何根据不同的聚类成员组合为更好的聚类结果．引入谱聚类算法解决该问题,提出了基于相似度矩阵的谱算法（ＳＭＳＡ）,但该算法高昂的计算代价使其不适合大规模文本集．进一步研究了谱聚类算法的特性,对超边的相似度矩阵进行谱分析,提出了基于超边相似度矩阵的元聚类算法（ＨＳＭ-ＭＣＬＡ）．真实文本数据集的实验结果表明：ＳＭＳＡ 和ＨＳＭ-ＭＣＬＡ 比其他基于图划分的集成算法更优越;ＨＳＭ-ＭＣＬＡ 可获得与ＳＭＳＡ 相当的结果,而计算需求却明显低于ＳＭＳＡ．

     

一种用于事件监测的传感器网络拓扑控制策略

针对事件驱动型传感器网络应用系统,基于简化的ＡＯＤＶ（ａｄｈｏｃ ｏｎｄｅｍａｎｄｄｉｓｔａｎｃｅｖｅｃｔｏｒｒｏｕｔｉｎｇ）（Ｓ-ＡＯＤＶ）算法,提出一种结合预先路由和按需路由的混合拓扑控制策略,通过随机选择一部分节点预先运行Ｓ-ＡＯＤＶ算法来减小事件发生时任务节点的初始拓扑建立时延．仿真实验表明,该策略能以较小的能耗代价换取较快的系统响应速度,满足了事件监测类应用的实时性要求．

     

一类非线性时滞广义系统的状态反馈控制

利用线性矩阵不等式（ＬＭＩ）,讨论了一类非线性时滞广义系统的状态反馈控制问题．通过对非线性映射Ｆｒｅｃｈｅｔ导数的逆矩阵的估计,给出了系统渐近稳定的充分条件．这一条件与时滞相关,可归结为一个线性矩阵不等式的可解性．在ＬＭＩ有解的条件下,可得到系统状态反馈控制器的参数表示．数值实例表明该方法是有效的．

     

基于图像特征提取的浮选关键参数智能预测算法

针对矿物浮选过程中回收率参数难以在线检测的问题,提出了一种智能预测算法．首先采用相对红色分量提取泡沫颜色特征,采用改进面积重构变换与分水岭方法分割泡沫图像并提取尺寸特征;然后在此基础上,通过斯密特正交化对最小二乘支持向量机（ＬＳＳＶＭ）核矩阵进行简约,利用核偏最小二乘方法进行回归计算,得到具有稀疏性的ＬＳＳＶＭ 预测模型．实验结果表明,该预测算法能有效地对矿物回收率进行预测．

     

一种特征加权犉犆犕算法的图像重建技术研究

针对传统ＦＣＭ（Ｆｕｚｚｙ犆 ｍｅａｎｓ）算法中初始聚类中心选取的随机性以及对初始值敏感的问题,提出一种基于进化策略的色彩空间加权的ＦＣＭ 聚类算法．通过在ＲＧＢ（ＲｅｄＧｒｅｅｎＢｌｕｅ）色彩空间矢量中设置加权矩阵来补偿各色彩的非均匀性,并采用一种类内最小距离最大的统计聚类算法来初始化聚类中心．实验结果表明,该算法能有效减少颜色量化后的均方差值,保持重建图像的整体层次和局部特征细节,对研究图像处理技术有较强的实际意义．

     

在原始空间用Ｒｏｓｅｎｂｒｏｃｋ算法训练线性支持向量机

为了加快并行下降方法（ＣＤ）用于线性支持向量机（ＳＶＭ）时的最终收敛速度,将Ｒｏｓｅｎｂｒｏｃｋ算法（Ｒ）用于线性ＳＶＭ．在内循环,Ｒ 通过解一个单变量子问题来更新狑的一个分量,并同时固定其他分量不变;在外循环,采用Ｇｒａｍ-ｓｃｈｍｉｄｔ过程构建新的搜索方向．实验结果表明,与ＣＤ 相比,Ｒ 加快了最终的收敛,在分类中能更快地获得更
高的测试精度．