基于无约束优化的非线性支持向量回归

提出利用牛顿法以及共轭梯度法解决非线性支持向量回归学习问题,不仅可以加速模型选择的过程,而且能够提高训练速度.将该方法应用于煤气炉数据集建模以及Mackey-Glass混沌时间序列预测,仿真结果表明了该方法的有效性.

     

基于支持向量预选取的支持向量域故障预报

针对两种支持向量域模型分别分析了支持向量的分布特性,在此基础上从训练集中选取具有一定几何特征的向量构建预测模型.这些特征向量的预选取在不影响支持向量域的故障预报能力的前提下,大大减少了训练样本,提高了支持向量域的训练效率.仿真实验表明了该方法的有效性和可行性.

     

一种改进的在线最小二乘支持向量机回归算法

针对一般最小二乘支持向量机处理大规模数据集会出现训练速度慢,计算量大,不易在线训练的缺点,将修正后的遗忘因子矩形窗方法与支持向量机相结合,提出一种基于改进的遗忘因子矩形窗算法的在线最小二乘支持向量机回归算法,既突出了当前窗口数据的作用,又考虑了历史数据的影响.所提出的算法可减少计算量,提高在线辨识精度.仿真算例表明了该方法的有效性.

     

交通诱导预测控制仿真研究

将动态交通分配实施过程纳入预测控制框架下以满足实时交通诱导的目的,提出一种交通诱导预测控制算法．该算法是在滚动时域基础上进行的,包括实时交通分配、交通流模拟运行及评价以及进化最佳路径３ 个重要环节．仿真结果表明,交通诱导预测控制是一种良好的计算机控制方法学,其优化过程预先考虑了目前交通分配对未来路网的影响,因而可有效地防范交通拥堵,实现考虑反馈的路网交通流实时分配优化,同时为出行者提供最佳路径．

     

基于对象的扩展Petri网协同设计过程分析

针对协同设计中任务的执行流程缺乏柔性,不利于分析实际设计过程的现状,提出一种单元调用变迁对与决策变迁相集成的基于对象的扩展Petri网,扩展了Petri网的可达图以适应分析OEPNs模型.采用OEPNs中的过程网和单元网对协同设计过程建模,利用模型中的单元调用变迁对和决策变迁对过程本身和可能状态进行分析.最后与相关的研究工作进行比较并给出了结论.

     

基于梯度算法的支持向量机参数优化方法

首先介绍最近出现的参数优化方法,概括了高效率的参数优化算法应具备的若干特点 .然后提出了一种新的支持向量机参数优化方法.该方法先在局域内用混沌优化搜索局域最优点,再将此最优点作为梯度方向,通过改变局域范围跳出局部寻优区域. 该方法降低了对性能函数连续且可微的要求,收敛速度快,最终优化解与支持向量机的参数初始值无关.最后,通过仿真实验表明了该方法具有更高的分类和回归准确率.

     

基于Agent的分形供应链自适应协同计算

应用分形、智能Ａｇｅｎｔ和神经网络自适应控制技术,研究分形供应链适应环境变化的结构模式和策略模式．探讨了分形供应链Ａｇｅｎｔ关联结构,提出了分形供应链双层自适应协同计算模式,论述了资源Ａｇｅｎｔ,信息协调Ａｇｅｎｔ,人机交互Ａｇｅｎｔ和领域计算Ａｇｅｎｔ之间的相互作用关系．以一个分形模块的策略协同为分析对象,研究了领
域单元的自适应协同计算模式,分析了分形模块的成本模型,并对基于Ａｇｅｎｔ交互的神经网络模型部分进行了算例仿真．

     

灰色随机多准则决策的优劣势排序法

针对准则值具有灰色性和随机性两种信息不确定的多准则决策问题,提出一种灰色随机多准则决策方法.通过对灰数与白数比较的定义,将随机支配规则推广到对灰色随机变量型准则值的处理中,得出方案之间的随机支配关系;利用一般性准则对该随机支配关系进行转换,构建出优势矩阵和劣势矩阵,得出每一方案的优势流和劣势流,进而确定出方案的排序.最后通过算例说明了所提出方法的可行性和有效性.

     

实现兼类样本类增量学习的一种算法

针对兼类样本,提出一种类增量学习算法.利用超球支持向量机,对每类样本求得一个能包围该类尽可能多样本的最小超球,使各类样本之间通过超球隔开.增量学习时"对新增样本以及旧样本集中的支持向量和超球附近的非支持向量进行训练,使得算法在很小的空间代价下实现兼类样本类增量学习.分类过程中,根据待分类样本到各超球球心的距离判定其所属类别.实验结果表明,该算法具有较快的训练,分类速度和较高的分类精度.

     

基于混沌优化支持向量机的轧制力预测

针对带钢热连轧轧制力的精确预测问题,提出一种基于最小二乘支持向量机模型的预测算法.在分析最小二乘支持向量机数学预测模型的基础上,提出一种改进的结合遗传算法的变尺度混沌优化方法,以进行最优模型参数的搜索.利用实测在线数据对模型进行训练并进行轧制力预测.仿真结果表明,利用该方法可使轧制力预测精度得到提高,平均误差率从BP神经网络的±10%降到±5%以下,为进一步提高热连轧厚度控制精度提供了一种有效方法.

     

决策树支持向量机多分类器设计的向量投影法

针对如何有效地设计决策树支持向量机(SVM)多类分类器的层次结构这个关键问题,提出一种基于向量投影的类间可分性测度的设计方法,并给出一种基于该类间可分性测度设计决策树SVM 多分类器层次结构的方法.为加快每个SVM子分类器的训练速度且保持其高推广性,将基于向量投影的支持向量预选取方法用于每个子分类器的训练中.通过对3个大规模数据集和手写体数字识别的仿真实验表明,新方法能有效地提高决策树SVM类分类器的分类精度和速度.

     

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.

     

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．

     

基于区间数的多目标灰色局势决策模型

基于区间数的距离和灰熵分析,将灰色局势决策拓展到决策信息为区间数的情况,给出了灰色局势决策目标权重的优化方法.考虑各局势的效果测度与正理想效果值的接近性以及目标权重本身的不确定性,建立了多目标优化模型,利用拉格朗日乘子法求解该模型,得到了灰色局势决策的目标权重表达式.利用区间数的可能度对每个事件的局势进行排序,进一步完善了传统的灰色局势决策理论.最后通过实例验证了该模型的有效性和实用性.

     

一种改进的 T-S模糊系统稳定性分析方法

提出一种改进的方法以降低T-S 模糊系统稳定性判定方法的保守性. 通过定义有效最大交叠规则组(EMORG),提出一个改进的充分条件以保证模糊模型全局二次渐近稳定. 此条件仅需在每个有效最大交叠规则组内分别寻找一个局部公共正定矩阵 .以往的稳定性判定方法作为特例被包含在所提出方法中. 仿真结果验证了该方法的有效性.

     

云决策分析方法

提出一种基于不确定性人工智能的决策分析方法.该方法利用云理论中的云变换和概念提升方法来刻画属性因素的概念云模型,并对每个因素都分配相应的云权重;使用X-条件云和极大判定法,找出每个因素的最佳评判语言云模型;让云权重参与综合评判,最终通过云计算得到基于云滴分布的综合评价结果.实验结果表明,与传统的模糊决策分析相比,它更具有易理解性,广普适性和高准确性等特点.

     

基于递归最小二乘支持向量机的动态系统建模研究

针对递归最小二乘支持向量机的递归性易导致建模中偏微分方程组求解困难的问题,提出用解析法求解偏微分方程组,实现了完整的递归最小二乘支持向量机模型．首先分析了各参数的相关性,然后推导出偏微分方程的解析表达式并求解．仿真实例表明,在动态系统建模中,该模型的性能比常用的串并联模型以及现有不完整递归最小二乘支持向量机模型的精度更高、性能更好．

     

基于核岭回归的非线性内模控制

提出一种基于核岭回归(KRR)建模的内模控制策略.该方法充分利用基于结构风险最小化为学习规则的回归方法的非线性拟合性能$建立内模控制系统,从理论上分析了内模控制系统的稳定性和稳态误差同逆模与内模估计误差的关系问题.仿真表明,在训练样本有限和有噪声污染情况下,该系统较神经网络方法具有更好的控制性能.

     

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．

     

回归型支持向量机的调节熵函数法

基于最优化理论中的ＫＫＴ 互补条件建立支持向量回归机的无约束不可微优化模型,并给出了一种有效的光滑近似解法———调节熵函数方法．该方法不需参数取值很大便可逼近问题的最优解,从而避免了一般熵函数法为了逼近精确解,参数取得过大而导致数值的溢出现象,为求解支持向量回归机提供了一条新途径．数值实验结果表明,回归型支持向量机的调节熵函数法改善了支持向量机的回归性能和效率．