基于θ算子的变精度直觉模糊粗糙集*

在模糊近似空间中,结合直觉模糊集的隶属度、非隶属度与模糊蕴涵算子,提出基于θ算子和θ^算子的直觉模糊集及其隶属度和非隶属度的概念,并证明它们一系列性质.然后,结合直觉模糊集与变精度粗糙集,定义基于θ算子的变精度直觉模糊粗糙集,提出求解变精度粗糙集阈值参数β的方法,使用算例分析该方法.     

广义分布保持属性约简研究

属性约简是粗糙集理论的重要研究内容之一。分布约简保证约简前后每个对象的概率分布保持不变,即保证每条规则的置信度在约简前后不发生改变。实际应用中,人们往往更加关注可信度较高或较低的规则。因此,在本文中引入了广义分布保持属性约简,该属性约简可以保证规则的置信度P（P∈[0,α]或[β,1]）在约简前后不变。同时,给出了广义分布保持属性约简的判定方法与基于差别矩阵的广义分布保持属性约简算法,深入讨论了几种特殊情形下的广义分布保持约简。最后,在4个UCI数据集上进行的实验分析表明,几种特殊情形下的广义分布保持属性约简可退化为已有的一些属性约简,且在不同置信区间下求得的广义分布保持属性约简存在包含关系,验证了相关结论的正确性。     

基于压缩理论的区间概念格参数优化模型

在由形式背景构建区间概念格之前,首先要确定区间参数[α,β],区间参数的选取影响着概念外延、格结构以及提取的关联规则数量和精度。为了获取区间概念格的压缩度达到最大时的[α,β],首先,提出了基于形式背景的二元关系对的相似度和二元关系上的覆盖近邻空间的定义,得到二元关系对的相似矩阵,并根据γ相似类求得的覆盖来计算二元关系对的近邻;其次,给出基于参数变化的概念集合更新算法,在非重建的基础上得到各区间参数下概念集合,并结合各区间参数下二元关系对的近邻空间,进一步构建基于压缩理论的区间概念格参数优化模型,依据压缩度的大小以及变化趋势寻找区间参数最优值;最后,通过实例验证了模型的有效性。     

基于可变多粒度概率粗糙集的分类模型*

以多粒度粗糙集理论为背景,结合可变多粒度思想与错误分类率思想,提出可变多粒度概率粗糙集(VMGPRS)模型.结合粗糙集理论中的属性约简思想,提出粒度约简算法,发现并解决可变多粒度模型中由于参数设定而引发的约简后粒度冗余问题.将约简前后的数据应用于SVM、KNN、NB等经典分类算法,验证约简对数据的分类能力几乎无影响.将规则与算法结合,设计基于规则的分类算法,并且实验分析VMGPRS模型中的2个调节参数α、 β对分类器分类效果的影响.     

基于多敏感属性分级的(αij,k,m)-匿名隐私保护方法

针对单敏感属性匿名化存在的局限性和关联攻击的危害问题,提出了基于贪心算法的（α_ij,k,m）-匿名模型。首先,该（α_ij,k,m）-匿名模型主要针对多敏感属性信息进行保护;然后,该模型为每个敏感属性的敏感值进行分级设置,有m个敏感属性就有m个分级表;其次,并为每个级别设置一个特定的α_ij;最后,设计了基于贪心策略的（α_ij,k,m）匿名化算法,采取局部最优方法,实现该模型的思想,提高了对数据的隐私保护程度,并从信息损失、执行时间、等价类敏感性距离三个方面对4个模型进行对比。实验结果证明,该模型虽然执行时间稍长,但信息损失量小,对数据的隐私保护程度高,能够抵制关联攻击,保护多敏感属性数据。     

H.265/HEVC中基于R-λ模型码率控制的优化算法

在H.265/HEVC基于R-λ模型码率控制算法中,为了提高最大编码单元（LCU）的比特分配的效果以及参数（α、β）更新的精度,提出一种码率控制优化算法。该算法主要是利用当前最大编码单元原始比特进行比特分配,以及利用编码失真度对参数（α、β）更新。实验结果表明,在恒定比特率情况下,相对于HM13.0码率控制算法三分量峰值信噪比（PSNR）增益至少提高0.76 dB,编码传输比特每帧消耗比特至少降低0.46%,编码时间至少减少0.54%。     

基于变精度粗糙集的故障诊断应用研究

标准的粗糙集理论不能很好地处理带有噪声的数据,而故障诊断信息中难以避免地存在噪声数据,对此,提出了一种基于变精度粗糙集理论的故障诊断模型.先用自组织特征映射神经网络对连续属性进行离散化,然后利用变精度粗糙集的近似依赖性进行属性约简,据此得到决策规则,并给出了一个实例来说明如何应用这种故障诊断模型.     

基于差别矩阵的区间值决策系统β分布约简

当前区间类型数据的规模越来越大,若采用传统的属性约简方法进行处理,就需要对数据进行预处理,而这会损失原始信息。针对上述问题,提出了区间值决策系统β分布的约简算法。首先,给出区间值决策系统β分布的概念和约简目标,并证明了提出的相关定理;然后,对于该约简目标构建了β分布约简的差别矩阵和差别函数,提出了区间值决策系统β分布约简算法;最后,使用14组UCI数据集进行实验验证。在数据集Statlog上,当相似度阈值为0.6,对象数目为100、200、400、600、846时,β分布约简算法的平均约简长度为1.6、2.2、1.4、2.4、2.6,基于差别矩阵的分布约简算法（DRADM）的平均约简长度为2.0、3.0、3.0、4.0、4.0,基于差别矩阵的最大分布约简算法（MDRADM）的平均约简长度为2.0、3.0、3.0、4.0、3.0。实验结果验证了所提β分布约简算法的有效性。     

基于加权α优势关系的多属性决策排序方法*

α优势粗糙集模型利用简单平均法赋权多个阈值α的排序结果,忽视数据集本身信息,导致不同数据集的排序质量差异性较大.针对此问题,文中提出基于加权α优势关系的优势度排序方法.首先运用α优势粗糙集方法详细分析决策对象.在此基础上,为了克服α主观赋权导致多属性决策排序结果中“并列”决策现象存在的不足,依据排序结果采用2种准则赋权α,并融合2种准则下所有对象的综合优势度,进一步细化排序结果.最后在具体算例中对比分析其它排序方法,验证文中方法的可行性和有效性.     

基于SOM-VPRS的平衡机故障诊断

针对平衡机故障的特点,采集了振动信号进行故障诊断;设计了故障信息采集系统,解决了故障信息提取困难的问题,减少了噪声信号;融合自组织(SOM)网络和变精度粗糙集(VPRS)形成了SOM-VPRS算法,实现了平衡机的故障诊断。运用SOM网络进行了连续属性的离散化,采用变精度粗糙集的近似依赖模型进行属性约简,得到故障诊断决策规则,属性约简后,属性集由20个减少为7个,规则集由70个减少为34个,计算复杂度降低;对决策规则进行了验证,诊断正确率可以达到95%以上,且模型和算法具有普遍适用性。     

面向聚类集成的基聚类三支筛选方法

当前聚类集成的研究主要是围绕着集成策略的优化展开,而针对基聚类质量的度量及优化却较少研究。基于信息熵理论提出了一种基聚类的质量度量指标,并结合三支决策思想构造了面向基聚类的三支筛选方法。首先预设基聚类筛选三支决策的阈值α、β,然后计算各基聚类中类簇质量的平均值,并把其作为各基聚类的质量度量指标,最后实施三支决策。决策策略为：当某个基聚类的质量度量指标小于阈值β时,删除该基聚类;当某个基聚类的质量度量指标大于等于阈值α时,保留该基聚类;当某个基聚类的质量度量指标大于等于β小于α时,重新计算该基聚类质量,并且再次实施上述三支决策直至没有基聚类被删除或达到指定迭代次数。对比实验结果表明,基聚类三支筛选方法能够有效提升聚类集成效果。     

相似度三支决策模糊粗糙集模型的决策代价研究

在三支决策模糊粗糙集模型中,一些学者基于相似度三支决策模糊粗糙集模型建立了目标函数来得到最优阈值对 $\left( {\alpha ,\;\beta } \right)$ 的计算方法,但在该过程的研究中,学者并没有在相似度三支决策模糊粗糙集模型中讨论关于决策代价的描述问题。基于模糊信息系统用新的函数来描述决策代价成为计算阈值对 $\left( {\alpha ,\;\beta } \right)$ 的一种方法,首先,在模糊信息系统中,通过建立一个描述决策代价的函数,将模糊信息系统中的模糊数与三支决策的决策代价联系在一起;然后对隶属频率进行拟合,得到了三支决策中决策代价的数值描述;最后,通过两个实例说明了该方法的可行性和适用性。     

基于3D高效率视频编码背景的信息隐藏算法

针对秘密信息在公开网络传输的安全性和容量性问题,提出了一种基于高效率视频编码（HEVC）背景的信息隐藏算法。利用HEVC中多视点图像的背景图作为载体,首先对其进行lαβ分解得到三个灰度分量子图,然后选取α和β分量子图作离散余弦变换,最后将秘密信息重复嵌入到载体区域中。隐藏区域选取能量权重较低的α及β分量子图的离散余弦变换中频系数区域,且进行重复嵌入,使得算法具有良好的不可见性和鲁棒性。实验结果表明,所提算法比基于帧间和帧内算法不可见性分别提高16.1%和11.4%,鲁棒性分别提高55.5%和20.2%。     

散乱点云的自适应α-shape曲面重建

针对α-shape算法不适用于散乱非均匀点集曲面重建的问题,提出了一种基于点云数据局部特征尺寸（LFS）的自适应α-shape曲面重建改进算法。首先,以采样点的k-邻近点计算出负极点逼近曲面中轴（MA）;然后,根据近似中轴计算曲面在采样点处的局部特征尺寸,并依据局部特征尺寸对原始点云进行非均匀降采样;最后,根据三角面片的外接球半径和对应的α值自适应重建出物体表面。与α-shape算法相比,所提算法可以有效合理地减少点云数据量,点云简化率达到70%左右,同时重建结果中冗余三角面片更少且基本没有孔洞。实验结果表明,所提算法能够自适应地重建出非均匀点集的表面。     

用于说话人识别的基于可变因子整合的高斯混合模型

针对传统高斯混合模型在噪声环境下识别率明显下降的问题,在借鉴随机概率分布模型间的α因子融合机制基础上,提出基于可变因子α整合的高斯混合模型。该模型通过引入可变因子使得混合模型中不同成分所占的比重又得到一次调整。实验结果表明,通过对该模型参数进行重估计,在TIMIT/NTIMIT两种不同语料库和不同样本集的情况下识别率较传统高斯模型均有提高。尤其在噪声环境和α因子取最优值时,识别率可提高8%,在NIST评测数据集上与GMM-UBM系统对比,识别率也有提高。     

基于内模法的PID控制器自整定算法

为解决传统工业控制中比例-积分-微分(PID)控制器参数整定的问题,提出了一种基于内模法(IMC)以及系统辨识的控制器参数确定算法。该方法首先利用被控过程在开环阶跃信号激励下,输入与暂态输出的对应关系,将被控对象辨识为一阶加滞后(FOPDT)或二阶加时滞(SOPDT)的模型;再利用IMC算法确定控制器的参数。对于在内模法中引入的滤波器参数λ的确定问题,提出通过引入γ和σ两个参数,并与输出误差的平方建立关系来确定λ 的方法。仿真显示,对于输出误差绝对值之和(IAE)这个指标,该种算法与传统基于IMC的PID控制算法相比,在无输入扰动时可提高20%左右,在有输入扰动时可提高10%左右。仿真结果表明:在用单位阶跃信号激励系统时,提出的整定方法在保证了系统鲁棒性的前提下,提高了系统的瞬态响应速度,并有效抑制了系统输出的超调。