基于概率分布估计的混合采样算法

在类别不均衡的数据中, 类间和类内不均衡性问题都是导致分类性能下降的重要因素. 为了提高不均衡数据集下分类算法的性能, 提出一种基于概率分布估计的混合采样算法. 该算法依据数据概率分别对每个子类进行采样以保证类内的均衡性; 并扩大少数类的潜在决策域和减少多数类的冗余信息, 从而同时从全局和局部两个角度改善数据的平衡性. 实验结果表明, 该算法提高了传统分类算法在不均衡数据下的分类性能.

     

基于改进流体扰动算法与灰狼优化的无人机三维航路规划

针对复杂地形环境下的无人机三维航路规划问题, 提出一种基于改进的扰动流体动态系统与灰狼优化理论的混合航路规划算法. 构建改进的扰动流体动态系统数学模型, 通过修正初始汇流得到扰动流场, 流场流线即可看作规划航路, 能有效避免驻点、局部陷阱等问题. 通过模拟灰狼群体的等级制度和捕食策略, 并引入个体记忆功能和优胜劣汰选择规则, 对障碍物反应系数进行寻优. 仿真结果表明, 规划出的三维航路平滑、可飞, 具有良好的避障特性.

     

基于高斯分布的多层无迹卡尔曼滤波算法

在传统无迹卡尔曼滤波(UKF) 中对其估计精度和计算效率起关键作用的是采样算法, 即构造具有权重的样本点. 研究表明, 带权样本点匹配随机变量的阶矩越高滤波的精度越高, 如多项式无迹卡尔曼滤波(PUKF), 但通常此类算法的复杂度过高甚至难以求解. 为此, 基于高斯分布结合高阶矩匹配与无迹卡尔曼滤波线性扩张方 法(LUKF), 提出一种兼顾效率和精度的高斯滤波离线算法. 实验结果表明, 所提出算法拥有比UKF 更高的估计精度和比PUKF 更好的计算效率.

     

随机非线性扰动下广义马氏跳变系统的控制器设计

针对实际系统中非线性扰动以一定概率存在的情况, 讨论广义马氏跳变系统的控制问题. 首先, 运用Bernoulli 变量描述系统中非线性扰动的存在与否, 建立相应的数学模型, 得到在上述一般条件下系统的随机容许性与解的存在唯一性条件. 然后, 以LMI 形式给出模态依赖和模态独立控制器的存在条件. 与现有结果相比, 所得结果考虑了非线性扰动的存在概率, 具有较小的保守性. 最后, 通过数值例子验证了所得结果的有效性和优越性.

     

基于拉普拉斯特征映射的启发式Q学习

在基于目标的强化学习任务中, 欧氏距离常作为启发式函数用于策略选择, 其用于状态空间在欧氏空间内不连续的任务效果不理想. 针对此问题, 引入流形学习中计算复杂度较低的拉普拉斯特征映射法, 提出一种基于谱图理论的启发式策略选择方法. 所提出的方法适用于状态空间在某个内在维数易于估计的流形上连续, 且相邻状态间的连接关系为无向图的任务. 格子世界的仿真结果验证了所提出方法的有效性.

     

基于参数估计的一类非线性系统故障诊断算法

针对系统模型的不确定性、未知输入扰动和非线性特性, 提出一类非线性系统参数估计的故障诊断算法. 构造系统故障诊断观测器, 采用Lyapunov 稳定性定理验证观测器的稳定性, 通过Barbalat 引理证明满足故障诊断观测器为渐近稳定的表征故障参数的参数估计, 并总结了设计算法流程. 仿真结果表明, 所提出算法具有快速收敛性, 对一类非线性系统诊断效果较好.

     

基于动态学习策略的群集蜘蛛优化算法

为了提高群集蜘蛛优化(SSO) 算法的性能, 提出一种基于动态学习策略的群集蜘蛛优化(DSSO) 算法. 该算法通过群体协作过程中学习因子的动态选择, 平衡算法的搜索能力和勘探能力; 采用随机交叉策略和云模型改进协作过程个体更新方式, 在维持种群多样性的同时尽量提高收敛速度. 基于标准测试函数的仿真实验表明, DSSO 算法可有效避免早熟收敛, 在收敛速度和收敛精度上较标准SSO 算法和其余4 种较具代表性的优化算法均有显著提高.

     

基于最小包含球的异质空间大数据集快速相似度学习算法

针对跨空间数据相似度学习问题提出的跨空间相似度学习(CSAL) 算法表现出了良好的性能, 并已成功地应用于各类推荐系统中. 但构建一个完善的推荐系统, 其待处理的数据量常呈现大样本特征, 而CSAL 算法并不具备大样本快速处理能力. 针对此不足, 提出了跨空间相似度学习-最小包含球(CSAL-MEB) 方法和跨空间相似度学习-核向量机(CSAL-CVM) 快速方法. CSAL-CVM 方法既具有渐近线性时间复杂度和空间复杂度的优点, 同时又继承了CSAL 的良好性能. 相关实验亦验证了所提出方法的有效性.

     

市场价格信息不对称的银企融资决策

研究市场价格信息不对称下, 受资金约束的零售商为获取最优订货量从资本市场借贷的供应链运营和融资决策问题. 采用Stackelberg 博弈, 构建并分析混同契约和甄别契约模型. 研究表明: 甄别契约能更好地激励零售商透露真实信息, 使供应链整体利润增加; 银行更偏好高价格零售商以降低借贷风险, 银行在甄别契约下的期望利润总是大于混同契约下的期望利润; 高价格零售商的期望利润受到价格波动和其类型比例的双重影响, 在一定条件下选择甄别契约会得到额外的信息租金.

     

一类非线性动态系统基于强化学习的最优控制制

提出一类非线性不确定动态系统基于强化学习的最优控制方法. 该方法利用欧拉强化学习算法估计对象的未知非线性函数, 给出了强化学习中回报函数和策略函数迭代的在线学习规则. 通过采用向前欧拉差分迭代公式对学习过程中的时序误差进行离散化, 实现了对值函数的估计和控制策略的改进. 基于值函数的梯度值和时序误差指标值, 给出了该算法的步骤和误差估计定理. 小车爬山问题的仿真结果表明了所提出方法的有效性.

     

基于图变换的图像压缩采样与分类

提出一种基于图论表示的正交变换基,并在此基础上对图像进行压缩采样与压缩域直接分类.首先,充分利用图像的边缘特性和像素关系,给出一种图像的图论表示方法;然后,通过图Laplacian矩阵的特征值分解得到其特征向量矩阵作为正交变换基,由此得到图像的图变换域稀疏表示;最后,利用随机投影后的压缩采样特征向量直接对分类器进行训练和测试,不仅保持了与原空间相当的分类精度,还大量地减少了训练和测试时间以及计算/存储代价.     

基于强化学习的适应性微粒群算法

惯性权重足微粒群算法(PSO)的重要参数,它可以甲衡算法的全局和局部搜索能力的关系,改善算法的性能.对此,提出一种基于强化学习的适应性微粒群算法(RPSO).首先将不同惯性权重调整策略视为粒子的行动集合;然后通过计算Q函数值.考察粒子多步进化的效果;进而选择粒_了最优进化策略,动态调整惯性权重,以增强算法寻找全局最优的...     

具有非线性扰动的网络控制系统的鲁棒稳定化

针对一类具有随机时延和非线性扰动的网络控制系统,利用变采样周期的方法,将连续被控对象离散化,使网络控制系统建模为部分转移概率未知的非线性Markov跳变系统.通过随机Lyapunov方法,给出保证整个闭环系统随机稳定的充分条件,同时得到非线性扰动项的最大界.仿真算例表明了所提出方法的有效性.     

一种基于局部搜索采样的粒子滤波检测前跟踪算法

针对一类状态部分可测系统粒子滤波检测前跟踪算法中高维采样效率低的问题,提出一种基于局部搜索采样的粒子滤波器检测前跟踪算法.该算法在后验状态更新之后,在可测分量估计值的附近,对不可测分量引入先验分布信息,用少量粒子进行局部搜索采样,提高了粒子采样效率.仿真结果表明,所提出算法获得了更好的检测和跟踪性能.     

轨道摄动对航天器角动量管理的影响和补偿

三轴主惯量接近的航天器长期在轨采用惯性系的角动量管理,使用垂直于轨道面的某一主惯性轴为Y轴,建立参考的惯性系进行控制器设计,轨道摄动使轨道长周期项与时间呈近似线性关系,导致控制器输出线性累加.针对此问题,分析轨道摄动导致控制律失效的原因,参考内模原理扩维方程,重新设计最优控制方法进行惯性系的角动量管理.通过半物理仿真表明了摄动补偿方法的可行性,且角动量和姿态长期稳定性均优于补偿前.     

基于CD-RSF 算法的航天器姿态确定

针对具有模型不确定及初始误差较大的航天器姿态确定系统的滤波问题,提出一种基于中心差分风险敏感滤波(CD-RSF)算法的航天器姿态确定方法.该方法利用风险敏感滤波更具鲁棒性的特点来估计模型不确定的航天器姿态,并利用中心差分求积分法来解决风险敏感器滤波中难以处理的积分.该方法能够消除由于模型不确定和初始误差大而导致的滤波收敛速度慢,甚至发散的现象,使得姿态确定算法更具鲁棒性.仿真结果验证了所提出方法的有效性.     

基于子空间方法的非均匀周期刷新和采样系统辨识

针对非均匀周期刷新和采样系统的建模问题, 对于含有提升变量的状态空间模型, 提出基于子空间技术的辨识方法. 首先, 通过系统的采样数据建立由Hankel 矩阵组成的扩展状态空间方程; 然后, 利用斜交投影的原理、方法和奇异值分解, 通过子空间辨识算法确定增广观测矩阵和状态向量, 通过最小二乘方法确定模型的参数矩阵; 最后, 通过仿真实例表明了所提出算法的有效性.

     

基于SVC 和SVR 约束组合的迁移学习分类算法

根据迁移学习思想,针对分类问题,以支持向量机(SVM)模型为基础提出一种新的迁移学习分类算法CCTSVM.该方法以邻域间的分类超平面为纽带实现源域对目标域的迁移学习.具体地,以支持向量分类的约束条件完成对目标域数据的学习,获取分类超平面参数,再以支持向量回归的约束条件有效利用源域数据矫正目标域超平面参数,并在上述组合约束的共同作用下实现邻域间迁移,提高分类器性能.在人工和真实数据集上的实验表明,所提出算法具有良好的迁移能力和优越的分类性能.     

一种采用抽样策略的PSO 算法

原始粒子群优化算法(PSO) 和各种改进方法存在着参数取值固定、收敛精度低等问题. 为此, 提出一种采用抽样策略的粒子群优化算法(SS-PSO). 通过拉丁超立方抽样(LHS) 策略更新粒子速度和位置, 以加快收敛速度; 提出一种基于随机采样的最优位置修正方法, 以微调全局最优; 提出“双抽样”LHS 局部搜索方法, 以提高收敛精度. 与其他新近提出的两个算法进行对比, 结果显示SS-PSO 在一定程度上提高了算法的性能.