基于特征选择和超参数优化的恐怖袭击组织预测方法

针对恐怖袭击事件难以找到恐怖袭击组织以及恐怖袭击事件数据的样本不平衡问题,提出了一种基于特征选择和超参数优化的恐怖袭击组织预测方法。首先,利用随机森林（RF）在处理不平衡数据上的优势,通过RF迭代来进行后向特征选择;然后,利用决策树（DT）、RF、Bagging和XGBoost这四种主流分类器对恐怖袭击组织进行分类预测,并利用贝叶斯优化方法对这些分类器进行超参数优化;最后,利用全球恐怖主义数据库（GTD）评价了这些分类器在多数类样本和少数类样本上的分类预测性能。实验结果表明：所提方法提高了对恐怖袭击组织的分类预测性能,其中使用RF和Bagging时的分类预测性能最佳,准确率分别达到0.823 9和0.831 6,特别是在少数类样本上的分类预测性能有明显提高。     

邻域粗糙集中不确定性的熵度量方法

针对传统粗糙集理论中不确定度量方法难以适用于邻域粗糙集模型的问题,引入信息熵的度量方法,提出了基于信息熵的邻域粗糙集不确定性度量方法。该方法采用邻域关系对连续型数据进行信息粒化,基于粒化后的数据定义邻域系统中的近似精度、邻域信息熵、加权邻域信息熵等不确定性度量。进一步提出邻域系统不确定性度量的公理化表示,证明邻域系统的近似精度、邻域信息熵、加权邻域信息熵都是公理化度量;给出其最大最小值,证明其满足单调性原理。理论分析与实验表明邻域系统中的信息熵度量优于近似精度度量。     

一种证据不确定性度量方法及其应用

证据的冲突是导致证据理论融合结果不理想的重要因素,对证据冲突的处理一直是证据理论中要解决的关键问题。通过对多义度、不一致度和非特异度进行线性组合,提出一种新的证据不确定性度量方法。新方法能够更全面地涵盖证据体中所包含的不一致和非特异性两类不确定信息,使得证据不确定性度量结果所包含的信息更为完整。在此基础上,采用指数函数构造权重,对证据体进行预处理,然后采用DST、PCR2和PCR5进行融合。算例结果表明融合结果合理,新的证据不确定性度量方法有效。     

一种度量数据信息不确定性的方法

对数据信息不确定性的度量是学术界和工业界十分关注的课题,目前常用的不确定性度量方法基本上是基于方差或信息熵的,在方差计算的基础上提出了一种简单的度量方法来度量随机数据的不确定性,这种度量方法基于累积方差但与传统方的基于方差的形式有所不同,和信息熵具有类似的表示意义而且计算度更快,分析结果表明该方法可以在对离散随机数据的不确定性度量应用中作为一种选择方案。此外,对定义的度量方法的性质和效果进行了讨论。     

基于粗糙集的不完备谣言信息系统的知识获取与决策

网络谣言可能扰乱人们的思想、心理和行为,引发社会震荡、危害公共安全,而微博等社交平台的广泛应用使得谣言造成的影响与危害变得更大,因此,谣言检测对于网络空间的有序健康发展具有重要的意义。当前谣言的自动检测技术更多关注检测模型的构建和输入数据的表现形式,而在改善数据质量以提高谣言识别效果方面的研究很少。基于此,本文将粗糙集理论应用于不完备谣言信息系统进行知识获取与决策,实质上是通过粗糙集理论解决不完备谣言信息系统的不确定性度量,冗余性以及不完备性等问题,以获得高质量的数据,改善谣言检测效果。首先系统总结了粗糙集理论中不确定性度量的方法,包括香农熵、粗糙熵、Liang熵以及信息粒度等四种不确定度量方法,并整理和推导了这四种不确定度量方法从完备信息系统到不完备信息系统的一致性拓展。基于上述总结的四种不确定度量方法,提出了基于最大相关最小冗余(MCMR,Maximum CorrelationMinimum Redundancy)的知识约简算法。该方法基于熵度量方式,能够综合考量决策信息与冗余噪音,在UCI及Weibo等8个数据集上实验验证,结果表明本文算法优于几种基线算法,能够有效解决信息系统的冗余性。另外,提出了一种基于极大相容块的不完备决策树算法,在不同缺失程度数据上实验验证,结果表明本文算法能够有效解决信息系统的不完备性。     

模糊指数熵组合方法的信息系统不确定性度量

在智能信息处理的研究中,信息系统的不确定性度量大多基于单一的度量方法,这样很难达到很好的度量效果。为了融合多种不确定性度量方法的优点,通过将粗糙集理论中代数视角的粗糙度度量和信息论视角的模糊指数熵度量结合起来,提出一种信息系统的组合度量方法,接着分析了所提方法的相关性质,并从理论角度证明了该方法运用于不确定性度量的可行性。UCI数据集的实验结果表明,组合度量方法相比单一度量具有更优越的度量效果。     

基于信息熵的不确定性数据清理方法

针对不确定性数据中往往包含一些异常数据而导致相应的查询结果出现错误的问题,提出了一种基于信息熵的不确定性数据清理方法以减少异常数据并提高不确定性数据的质量。首先使用信息熵来度量数据的不确定度,然后结合统计学方法计算出不确定性数据的可信区间,最后去除那些不在可信区间内的数据。实验结果验证了该方法的高效性和有效性。     

基于知识粒度的异常数据挖掘算法

粒计算理论提供了一种新的处理不确定、不完全与不一致知识的有效方法。知识粒度是粒计算理论中度量不确定信息的重要工具之一。已有的异常数据挖掘算法主要针对确定性的异常数据挖掘,采用知识粒度度量不确定性数据,进行异常数据挖掘的研究尚未报道。为此,在引入知识粒度概念的基础上,定义了相对知识粒度及异常度来度量数据之间的异常程度,并提出基于知识粒度的异常数据挖掘算法,该算法可有效进行异常数据的挖掘。实例验证了该算法的有效性。     

基于不确定性的数据融合系统性能评估

提出了一种基于不确定性的数据融合系统性能评估方法。数据融合的目的是为了提高融合后的信息量,信息不确定度的降低就相当于信息量的增加,本文从广义信息论出发度量信息不确定度,通过比较融合前后系统信息的不确定度来度量融合系统的性能。给出多目标系统中计算信息不确定度归一化变化的方法,实现了融合系统性能的定量评估。     

基于粗集理论的系统不确定性度量方式研究

不确定性是决策信息系统的固有特征,对系统的性能具有重要影响.有效地度量决策信息系统的不确定性具有重要意义.粗集理论是处理不确定信息最成功的工具之一.本文评述多种基于粗集理论的系统不确定性度量方式;分析它们的代数特征和数量关系;并通过仿真实验系统地比较它们的性能.结果表明"全知熵不确定率"是最有效的不确定性度量方式,其合理性通过它的成功应用得到进一步验证.     

小样本ATS测量不确定度评定方法研究

提出一种基于灰色系统理论和贝叶斯信息融合理论评定小样本自动测试系统（Automatic Test System,ATS）测量不确定度的新方法。该方法在已有测量不确定度灰色评定模型的基础上,引入灰色关联理论,建立新灰色评定模型,并引入贝叶斯信息融合思想,融合历史测量数据和当前测量数据的评定结果,得到最终测量不确定度。以某ATS测量链中具体的传递单元作为实例,按该方法计算测量不确定度,并将评定结果与其他常用方法评定结果进行比较,达到很好的一致性,且该方法评定小样本ATS静态测量得到的结果准确度高,评定小样本ATS动态测量,更符合其动态测量特性且计算量小。     

粗糙模糊集的不确定性度量

粗糙集理论是一种有效处理不精确、不确定含糊信息的数学理论,近年来已被广泛应用于机器学习、数据挖掘、智能数据分析。该文结合知识粗糙性与信息熵给出了一种关于粗糙模糊集(RF集)的不确定性度量。     

Detecting differential expression from RNA-seq data with expression measurement uncertainty

High-throughput RNA sequencing (RNA-seq) has emerged as a revolutionary and powerful technology for expression profiling. Most proposed methods for detecting differentially expressed (DE) genes from RNA-seq are based on statistics that compare normalized read counts between conditions. However, there are few methods considering the expression measurement uncertainty into DE detection. Moreover, most methods are only capable of detecting DE genes, and few methods are available for detecting DE isoforms. In this paper, a Bayesian framework (BDSeq) is proposed to detect DE genes and isoforms with consideration of expression measurement uncertainty. This expression measurement uncertainty provides useful information which can help to improve the performance of DE detection. Three real RAN-seq data sets are used to evaluate the performance of BDSeq and results show that the inclusion of expression measurement uncertainty improves accuracy in detection of DE genes and isoforms. Finally, we develop a GamSeq-BDSeq RNA-seq analysis pipeline to facilitate users.     

基于随机森林的高维数据可视化

目前对高维数据进行挖掘的方法大多是基于数学理论而非可视化的直觉。为便于直观分析和评价高维数据,提出引入随机森林(RF)方法对高维数据进行数据可视化。首先,采用RF进行有监督学习得到样本间的相似度度量,并采用主坐标分析法对其进行降维,将高维数据的关系信息变换到低维空间;然后,在低维空间中采用散点图进行可视化。在高维基因数据集上实验结果表明,基于RF有监督降维的可视化能够较好地展现高维数据的类分布规律,且优于传统的无监督降维后的可视化效果。     

Sensor fusion

Sensor fusion is a method of integrating signals from multiple sources. It allows extracting information from several different sources to integrate them into single signal or information. In many cases sources of information are sensors or other devices that allow for perception or measurement of changing environment. Information received from multiple-sensors is processed using “sensor fusion” or “data fusion” algorithms. These algorithms can be classified into three different groups. First, fusion based on probabilistic models, second, fusion based on least-squares techniques and third, intelligent fusion. The probabilistic model methods are Bayesian reasoning, evidence theory, robust statistics, recursive operators. The least-squares techniques are Kalman filtering, optimal theory, regularization and uncertainty ellipsoids. The intelligent fusion methods are fuzzy logic, neural networks and genetic algorithms. This paper will present three different methods of intelligent information fusion for different engineering applications. Chapter 2 is based on Sasiadek and Wang (2001) paper and presents an application of adaptive Kalman filtering to the problem of information fusion for guidance, navigation, and control. Chapter 3 is based on Sasiadek and Hartana (2000) and Chapter 4 on Sasiadek and Khe (2001) paper.     

Attribute reduction in interval-valued information systems based on information entropies

Interval-valued data appear as a way to represent the uncertainty affecting the observed values. Dealing with interval-valued information systems is helpful to generalize the applications of rough set theory. Attribute reduction is a key issue in analysis of interval-valued data. Existing attribute reduction methods for single-valued data are unsuitable for interval-valued data. So far, there have been few studies on attribute reduction methods for interval-valued data. In this paper, we propose a framework for attribute reduction in interval-valued data from the viewpoint of information theory. Some information theory concepts, including entropy, conditional entropy, and joint entropy, are given in interval-valued information systems. Based on these concepts, we provide an information theory view for attribute reduction in interval-valued information systems. Consequently, attribute reduction algorithms are proposed. Experiments show that the proposed framework is effective for attribute reduction in interval-valued information systems.     

Measurement errors in visual servoing

This paper addresses the issue of measurement errors in visual servoing. The error characteristics of the vision based state estimation and the associated uncertainty of the control are investigated. The major contribution is the analysis of the propagation of image error through pose estimation and visual servoing control law. Using the analysis, two classical visual servoing methods are evaluated: position-based and 2.5D visual servoing. The evaluation offers a tool to build and analyze hybrid control systems such as switching or partitioning control.     

不完备信息系统下的不确定性度量方法

在不完备信息系统中,不确定性度量是Rough Set理论中的一个难题。文中通过分析现有完备信息系统的不确定度量方法以及不完备信息系统的特性,提出了广义相似关系,并以之为基础给出了一个直接度量不完备信息系统不确定性的方法。通过实例分析,验证了该方法的有效性。     

侧扫雷达的流速测验不确定度分析与研究

针对提高侧扫雷达测流系统河流表面流速测验精度,关键在于确定影响侧扫雷达流速测验不确定度因素的情况,结合雷达系统理论设计,分析侧扫雷达产生不确定性的理论原因,包括收发宽波束带来的天线方向展宽效应、河面随机起伏及系统参数设计引起的不确定度等。对侧扫雷达实测数据进行分析,证实系统不确定度的产生对雷达数据频谱的影响,验证不确定度在测流时对测量信号谱宽的影响效应。针对采样不确定度,采用基于点模式的数据采集方法和分析策略,通过配置不同采样的数据集,有效降低测流不确定度,提高雷达数据质量。测站侧扫雷达系统的实测流速数据分析表明：按照相关理论对应要求设置参数,侧扫雷达可取得较好的表面流速测验精度和稳定性,能够满足水文测验的要求,更好地服务于水文测报工作。