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．     

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．

     

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．

     

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．

     

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．

     

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．

     

基于交叉熵方法和支持向量机的模拟电路故障诊断

针对故障诊断系统中存在的大量无关或冗余的特征会严重影响故障诊断性能的缺陷,提出了基于交叉熵和支持向量机方法进行特征选择和参数优化的故障诊断方法．首先以某种概率分布产生若干随机样本,并依据交叉熵最小原理建立分布参数的更新规则进行特征搜索和ＳＶＭ 参数优化;然后利用优化后的特征向量和参数训练支持向量机获得故障诊断模型．故障诊断实验结果表明,该故障诊断方法能有效地优化故障特征和模型参数,提高故障诊断性能．

     

基于TS／VDS算法的涤纶短纤维生产调度优化

采用禁忌搜索（ＴＳ）／变深度搜索（ＶＤＳ）混合算法对涤纶短纤维生产调度优化问题进行优化．混合算法通过改变常规ＴＳ算法邻域,采用变深度搜索技术增强了算法寻优能力．某大型石化企业实际数据的实验结果表明,该算法在寻优能力和求解时间上比常规ＴＳ算法更加有效,能够在更短的时间内获得满意解,对于解决多产品多阶段连续生产调度问题具有实用价值．

     

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．

     

多个未知时延的ＭＩＳＯ系统的递推辨识

对于未知时延的多输入单输出（ＭＩＳＯ）系统,借助分离性原理,推导出迭代的可分离的非线性最小二乘（ＳＮＬＳ）辨识方法．为降低收敛于局部最小的可能性,利用全局优化理论,推导了全局可分离的非线性最小二乘（ＧＳＮＬＳ）辨识方法;为消除强观测噪声所引起的参数估计的偏差,将ＧＳＮＬＳ方法调整为一新颖的全局可分离的非线性多新息递推最小二乘（ＧＳＮＭＩＲＬＳ）辨识方法,仿真实验验证了算法的有效性．

     

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．

     

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．

     

一类具有状态反馈犖犆犛的H∞ 优化控制

研究一类网络控制系统（ＮＣＳ）的H∞ 优化控制问题．状态反馈是兼顾系统性能和敏感性的最有效的控制方式,因此,针对一类不确定时延和有限能量干扰输入的状态反馈ＮＣＳ,将其建模为不确定的线性时滞系统,并利用Ｌｙａｐｕｎｏｖ理论和线性矩阵不等式（ＬＭＩ）研究H∞ 优化控制问题．首先给出ＮＣＳ的鲁棒稳定的充分条件;然后给出ＮＣＳ状态反馈次优和最优H∞ 控制律的设计方法．仿真结果表明了该方法的可行性和有效性．

     

基于Ｖｏｌｔｅｒｒａ频域核辨识的非线性模拟电路故障诊断

基于Ｖｏｌｔｅｒｒａ级数时域频域混合模型,提出了辨识非线性模拟电路频域核的故障诊断方法．利用混合模型辨识算法和范德蒙特法估计各种故障状态下电路响应的前３阶频域核,提取故障特征并与相应的故障模式一起构成特征样本集,借助于支持向量机多分类器进行分类识别,实现非线性模拟电路的故障诊断．阐述了诊断原理及诊断步骤,并给出了诊断实例．仿真结果表明,该方法的故障识别率较高,便于计算机计算．

     

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．

     

机器人系统全局渐近稳定非线性ＰＤ＋轨迹跟踪控制

采用一类具有“小误差放大、大误差饱和”功能的非线性饱和函数来改进常用的线性比例 微分加（ＰＤ＋）机器人系统动力学控制,以形成非线性ＰＤ＋（ＮＰＤ＋）控制,从而获得更快的响应速度和轨迹跟踪精度．应用Ｌｙａｐｕｎｏｖ直接稳定性理论和ＬａＳａｌｌｅ不变性原理证明了闭环系统的全局渐近稳定性．两自由度机器人系统数值仿真结果表明
了所提出的ＮＰＤ＋控制具有良好的控制品质．

     

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．

     

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．

     

结构复杂数据的半监督聚类

基于成对限制,提出一种半监督聚类算法（ＳＣＣＤ）,它能够处理存在多种密度结构复杂的数据且识别任意形状的簇．利用成对限制反映的多密度分布信息计算基于密度的聚类算法（ＤＢＳＣＡＮ）的邻域半径参数Ｅｐｓ,并利用不同参数的ＤＢＳＣＡＮ 算法处理复杂形状且密度变化的数据集．实验结果表明,ＳＣＣＤ 算法能在噪声环境下发现任意形状且多密度的簇,性能优于已有同类算法．