从熵均值决策到样本分布决策

为了研究归纳学习的判决精度问题,分析了C4.5算法的不足以及标准算法与亚算法之间争论和妥协的根本原因,从估计训练样本的概率分布的角度出发,给出了一种简单而新颖的决策树算法.基于UCI数据的实验结果表明,与C4.5算法相比,该方法不仅具有比较好的判决精度,而且具有更快的计算速度.     

多模式多决策系统

该文分析了决策树归纳学习在进行多模式类学习时存在的问题,并针对此问题提出了一种用多决策树进行逻辑合成的方法。UCI数据的实验结果和实际应用都表明,用多决策树进行模式递增学习的方法可以有效地提高识别系统的判决精度。     

一种新的决策树归纳学习算法

本文不示例学习的重要分枝－－决策树归纳学习进行了分析探讨，从示例学习最优化的角度分析了决策树归纳学习的优化原则，指出了以往的以ＩＤ３为代表的归纳学习算法所固有的缺陷，并提出了一种新的基于概率的决策树归纳学习算法ＰＩＤ，ＰＩＤ在扩展属性的选择上仍采用基于信息增益率的方法，但在树上的扩展过程中，采用属性聚类的方法进行树的支合并。ＰＩＤ得到的决策树在树的规模和分类精度上都优于ＩＤ３。     

基于聚类的数据预处理对模糊决策树产生的影响

在模糊决策树归纳过程中,数据的模糊化预处理通常使用三角形隶属函数,该隶属函数的中心点参数将决定数据模糊化的效果,进而影响模糊决策树的执行效率、精度和规模。Kohonen'sfeature-maps聚类算法能够用来选取连续属性值的中心点。实验研究表明,该算法选取的中心点使模糊子集之间的覆盖范围不再相同,因而能够更合理地表示模糊概念之间的重叠关系。通过与其它算法比较证明该算法使模糊决策树可以获得更高的分类精度。     

新的决策树构造方法

决策树算法是数据挖掘中的一个比较活跃的研究领域,是对分类问题进行深入分析的一种方法。但构造最优决策树是一个NP难问题。首先介绍了ID3算法的基本思想,然后针对算法中存在的不足,引入了广义相关函数的概念,提出了一种以条件属性和决策属性之间的广义相关函数作为属性选择标准的决策树构造方法,并且与ID3算法进行了实验比较。实验表明,这种方法不但可以优化决策树模型,而且用该方法构造的决策树的预测精度也得到明显改善。     

规则简化与模糊决策树剪枝的比较

决策树归纳学习算法是机器学习领域中解决分类问题的最有效工具之一。由于决策树算法自身的缺陷了，因此需要进行相应的简化来提高预测精度。模糊决策树算法是对决策树算法的一种改进，它更加接近人的思维方式。文章通过实验分析了模糊决策树、规则简化与模糊规则简化；模糊决策树与模糊预剪枝算法的异同，对决策树的大小、算法的训练准确率与测试准确率进行比较，分析了模糊决策树的性能，为改进该算法提供了一些有益的线索。     

基于多个混合核函数的SVM决策树算法设计

不同的核函数具有不同的特性,SVM决策树中每个子SVM面对的分类对象不同,选取的核函数及其参数也应该不同。通过调节混合核函数的参数形成不同的核函数,给出了一个用多个混合核函数训练SVM决策树的多类分类算法。仿真试验表明,该算法与只用一个核函数训练SVM决策树的算法相比,具有较高的分类精度。     

基于变精度粗糙集的决策树构造改进算法

针对决策树构造中存在的最优属性选择困难、抗噪声能力差等问题,提出了一种新的基于变精度粗糙集模型的决策树构造算法.该算法采用近似分类精度作为节点选择属性的启发函数,与传统基于粗糙集的决策树构造算法相比,该算法构造的决策树结构简单,提高了决策树的泛化能力,同时对噪声也有一定的抑制能力.     

基于多尺度粗糙集模型的决策树优化算法

针对经典决策树算法构造的决策树结构复杂、缺乏对噪声数据适应能力等局限性,基于多尺度粗糙集模型提出一种新的决策树构造算法。算法引入尺度变量和尺度函数概念,采用不同尺度下近似分类精度选择测试属性构造决策树,使用抑制因子对决策树进行修剪,有效地去除了噪声规则。结果表明该算法构造的决策树简单有效,对噪声数据有一定的抗干扰性,且能满足不同用户对决策精度的要求。     

一种新的基于属性—值对的决策树归纳算法

决策树归纳算法ID3是实例学习中具有代表性的学习方法。文中针对ID3易偏向于值数较多属性的缺陷,提出一种新的基于属性－值对的决策树归纳算法AVPI,它所产生的决策树大小及测试速度均优于ID3。该算法应用于色彩匹配系统,取得了较好效果。     

一种改进的孤立词端点检测方法

将Mel倒谱距离和多带能量-熵特征相结合,提出了一种改进的孤立词端点检测方法。该方法具有不需要估计背景噪声调整门限阈值的优点。仿真实验表明,所提方法在实验室噪声环境下可检测到准确的孤立词端点,特别是当起止处含有弱的摩擦音或爆破音时,不会造成虚检和漏检,鲁棒性较好。由于计算简单,适合实时应用。     

Approximate inference of the bandwidth in multivariate kernel density estimation

Kernel density estimation is a popular and widely used non-parametric method for data-driven density estimation. Its appeal lies in its simplicity and ease of implementation, as well as its strong asymptotic results regarding its convergence to the true data distribution. However, a major difficulty is the setting of the bandwidth, particularly in high dimensions and with limited amount of data. An approximate Bayesian method is proposed, based on the Expectation-Propagation algorithm with a likelihood obtained from a leave-one-out cross validation approach. The proposed method yields an iterative procedure to approximate the posterior distribution of the inverse bandwidth. The approximate posterior can be used to estimate the model evidence for selecting the structure of the bandwidth and approach online learning. Extensive experimental validation shows that the proposed method is competitive in terms of performance with state-of-the-art plug-in methods.     

用小波插值方法实现移动机器人的轨迹追踪控制

基于动力学模型方程，利用小波插值方法，对移动机器人的轨迹追踪控制问题，给出了一种新的方法．该方法在有限时间内，实现了转动速度、前进速度均不为零的期望轨迹追踪．它的突出特点是计算量小、方法简单，期望轨迹可为任意复杂的非线性曲线．在仿真实验里，取得了理想的效果．     

有向网络分布式优化的Barzilai-Borwein梯度跟踪方法

本文研究有向网络上的分布式优化问题, 其全局目标函数是网络上所有光滑强凸局部目标函数的平均值.受Barzilai-Borwein步长改善梯度方法表现的启发, 本文提出了一种分布式Barzilai-Borwein梯度跟踪方法. 与文献中使用固定步长的分布式梯度算法不同, 所提出的方法中每个智能体利用其局部梯度信息自动地计算其步长. 通过同时使用行随机和列随机权重矩阵, 该方法避免了由特征向量估计引起的计算和通信. 当目标函数是光滑和强凸函数时, 本文证明了该算法产生的迭代序列可以线性地收敛到最优解. 对分布式逻辑回归问题的仿真结果验证了所提出的算法比使用固定步长的分布式梯度算法表现更好     

基于时空稀疏模型的穿戴式心电信号压缩感知方法

基于时空稀疏模型,提出一种穿戴式心电信号的压缩感知方法,利用信号的时间相关性和空间相关性,来实现心电信号的重构.同时,还提出了一种"分-合"式字典学习算法,通过利用心电信号内在的聚类结构,对训练样本进行字典学习,从而构造出符合心电信号特点的字典,并对其进行稀疏表示.从而进一步提高了心电信号的重构性能.为了验证提出的心电信号压缩感知方法的有效性,采用OSET数据库中的心电数据,将其与其他两种基准算法进行了对比.仿真实验结果表明,所提出的心电信号压缩感知方法能有效地提高心电信号重构的质量.     

一种改进的高斯近似滤波方法

提出了一种改进的高斯近似(Gaussian approximate, GA)滤波方法, 推导了它的一般解和特殊解, 并证明了现有的高斯近似滤波方法是所提出的方法的一种特例.在提出的方法中, 不需要基于高斯假设重复地产生求积点, 而是直接地更新求积点.与现有的高斯近似滤波方法相比, 提出的方法利用了量测求积点修正状态求积点, 从而可以更好地捕获状态一步预测密度和状态后验密度的非高斯信息和高阶矩信息.此外, 提出的方法不仅适用于确定的系统模型而且还适用于随机的系统模型.单变量非平稳增长模型、垂直落体模型、再入飞行器目标跟踪的仿真验证了提出的高斯近似滤波方法的有效性和与现有方法相比的优越性.     

Optimization of a logic circuit implementing a Moore automaton in CPLD basis

A method is proposed for optimization of hardware expenditures for the implementation of Moore automatons (Moore FSMs) in CPLDs. The method lies in using several sources of codes of classes of pseudo-equivalent states, which is possible owing to a wide fan-in of PAL macrocells. The proposed method generates five new circuit models of a Moore automaton. A method of synthesis of a model with three sources of codes is proposed, and an example of its application is presented.     

Gradient-based adaptation of continuous dynamic model structures

A gradient-based method of symbolic adaptation is introduced for a class of continuous dynamic models. The proposed model structure adaptation method starts with the first-principles model of the system and adapts its structure after adjusting its individual components in symbolic form. A key contribution of this work is its introduction of the model’s parameter sensitivity as the measure of symbolic changes to the model. This measure, which is essential to defining the structural sensitivity of the model, not only accommodates algebraic evaluation of candidate models in lieu of more computationally expensive simulation-based evaluation, but also makes possible the implementation of gradient-based optimisation in symbolic adaptation. The proposed method is applied to models of several virtual and real-world systems that demonstrate its potential utility.     

基于U模型的滑模增强控制方法

提出了一种新的基于U模型的滑模增强控制（U_SM控制）方法,用于控制一类具有内部不确定参数和外部系统控制噪声/干扰的单输入单输出（SISO）动态系统。系统地介绍了U模型的定义和其在多项式和状态空间模型下的表现形式,基于一般闭环系统结构建立了相应的U_SM控制系统的设计框架,并逐步解释了其设计过程。实验方面,选择了简化的二自由度非线性直升机模型并使用U_SM控制方法和Matlab/Simulink平台对其进行了控制性能测试,并根据输出信号跟踪能力仿真结果论证了所提出方法的可行性。通过比较与讨论U_SM控制和U控制方法产生的不同仿真实验结果,验证了所提出方法的稳定性和鲁棒性。