人机交互的Copula和协同优化算法在分布估算中的应用

人机交互的Copula函数和协同优化理论相结合的算法能有效解决分布估计算法在优化变量强相关问题的过程中存在的效果差、模型估计时间长等问题.该方法首先将Copula函数作为各个边缘分布函数的连接函数来建立一个解分布的概率模型;然后产生种群的过程中人工的选择其他种群中的优良个体,替换本种群中较差的个体并采用协同优化的思想,在种群进化时充分考虑其他种群中的个体的影响,最大限度的保证向着最优进化的方向发展.将该方法应用在对3个相互独立的种群进化上,其实验参数反演结果表明,该算法不但增强了优化的效果,而且还有效的避免了早熟,加快了算法的收敛速度.同时也表明了人机交互的过程在解决较为复杂的实际问题中的有效性和可操作性.     

一种基于聚合流的端到端统计时延界的新算法

为分析融合网络中聚合业务的端到端时延性能,提出一种基于聚合流的融合网络端到端统计时延界的新算法.该算法利用MGF(矩母函数)重新表征了网络端到端时延界的MGF形式的概率模型.数值分析结果表明了该算法的有效性和优越性,该算法很大程度上提高了独立统计复用,对融合网络性能评价具有参考意义.     

计及风力发电随机性和风速相关性的配电网重构

首先,基于Copula函数理论,提出了一种计及风速相关性的配电网随机潮流算法.其次,以有功功率损耗期望值最小为目标函数,建立计及风速相关性的配电网重构模型.最后,利用建立的模型对PG&E69节点配电网进行重构优化.算例表明,忽略风速相关性会使配电网随机潮流计算结果偏于乐观,并且风速相关性对重构方案也有一定影响.     

基于快速EM算法的马尔可夫随机场模型运动目标自动分割

文章提出一种基于高斯马尔可夫随机场(GMRF)模型的运动目标自动分割算法。该算法采用高斯混合分布描述视频序列的差分图像，对标准Expectation—Maximization(EM)算法进行了改进，提出了快速EM算法。从不完整数据中估计出概率模型的参数。在此基础上建立马尔可夫随机场模型，构造系统能量函数。然后通过条件迭代模型(ICM)优化算法求解能量函数的最优解，得出标记场，提取出运动目标。实验结果证明，该算法对运动目标分割具有很好的分割效果。     

贝塔混合模型的变分贝叶斯学习及应用

贝塔混合模型（Beta Mixture Model,BMM）是一种重要的非高斯概率模型,常用于有界数据的统计分析.但是由于其表达式复杂,BMM的参数估计比较困难.针对该问题,本文提出一种高效的变分贝叶斯学习方法进行参数估计.该方法采用形式简单的自由分布,通过不断最大化初始变分目标函数的下界,迭代逼近得到真实的贝叶斯后验分布.在合成数据集与实际数据集上进行实验,实验结果证明了所提出算法的有效性和可行性.     

粒子滤波算法在TBD目标检测中的应用

提出了基于生存概率模型的目标检测滤波器设计,实现了基于序惯Monte-Carlo采样粒子滤波方法.优化设计了目标生存概率的算法;给出了粒子滤波器的TBD算法的理论推导及数值计算过程.仿真实验表明:基于粒子滤波器的TBD算法能够检测低信噪比的目标.     

一种针对雷达高分辨距离像识别的融合核优化算法

本文提出一种针对雷达一维高分辨距离像(HRRP)的核函数优化算法.该算法基于对模-1距离高斯核和模-2距离高斯核的融合,结合两种核函数的不同特性,不仅优化了核函数,同时抑制了HRRP的闪烁效应.文中,基于雷达实测数据,我们将所提算法应用于核主分量分析(KPCA)的核函数优化中,然后采用支持矢量机(SVM)对提取的特征进行了分类.通过对实验结果比较与分析,我们证明该方法是有效的.     

基于乘积项的双逻辑实现探测算法

 在基于函数最小项的双逻辑探测算法中,由于函数最小项个数将随着变量数的增加而急剧增大,使得算法因时间或空间的占用过大而失效.为此,本文提出了基于函数最简项的快速探测算法,弥补了其缺陷.由于基于最小项和最简项的探测算法所适用的函数范围都有一定的局限性,因此进一步提出了将两种算法综合运用的策略,可有效改进探测效果.经MCNC Benchmark上电路的判定测试,验证了其有效性.     

一种新的基于值函数迁移的快速Sarsa算法

知识迁移是当前机器学习领域的一个新的研究热点.其基本思想是通过将经验知识从历史任务到目标任务的迁移,达到提高算法收敛速度和收敛精度的目的.针对当前强化学习领域中经典算法收敛速度慢的问题,提出在学习过程中通过迁移值函数信息,减少算法收敛所需要的样本数量,加快算法的收敛速度.基于强化学习中经典的在策略Sarsa算法的学习框架,结合值函数迁移方法,优化算法初始值函数的设置,提出一种新的基于值函数迁移的快速Sarsa算法--VFT-Sarsa.该算法在执行前期,通过引入自模拟度量方法,在状态空间以及动作空间一致的情况下,对目标任务中的状态与历史任务中的状态之间的距离进行度量,对其中相似并满足一定条件的状态进行值函数迁移,而后再通过学习算法进行学习.将VTF-Sarsa算法用于Random Walk问题,并与经典的Sarsa算法、Q学习算法以及具有较好收敛速度的QV算法进行比较,实验结果表明,该算法在保证收敛精度的基础上,具有更快的收敛速度.     

一种基于信息传递的分布估计算法

借鉴信息传递的概率模型,提出一种求解非数值优化问题的新的分布估计算法.首先根据进化过程中的优良信息建立一个不断更新的先验知识概率模型,以相邻符号出现的频率为基础建立条件传递概率模型,然后通过二者的结合建立了一种后验概率模型并用以指导产生新群体.针对旅行商问题进行的仿真试验表明本文算法可较好地改善分布估计算法的早熟收敛现...     

基于相关向量机的网络入侵检测算法

针对支持向量机理论中存在的问题：训练样本数量多以及必须满足MerCer条件等,提出了一种基于相关向量机（RVM）的网络入侵检测方法。首先采用“删除特征”法对KDD99数据集中的41个特征进行评级,筛选出针对不同入侵类型的重要特征和非重要特征,然后只选择重要特征进行匹配。结果表明,这种方法与基于支持向量机（SVM）的入侵检测模型相比,具有更高的检测率和更低的误警率。     

基于改进的混合学习模型的手写阿拉伯数字识别方法

在特征空间维数较高的手写阿拉伯数字识别问题中,冗余的特征往往会意外增加学习模型刻画问题空间的复杂度,影响手写阿拉伯数字识别的效率和精确度。该文提出了一种基于边界对特征的敏感度值进行特征选择的支持向量机树混合学习模型,依据当前中间节点上的分类曲面对子样本空间中的样例特征的敏感程度选择特征,在新构建的子样本集上训练子节点上的支持向量机。UCI机器学习数据库中手写阿拉伯数字识别问题的仿真结果表明,与其他算法相比,该文提出的方法能够在提高或保持手写阿拉伯数字高识别精确率的同时,精简问题空间,从而简化混合学习模型的中间节点和整体结构。     

一种素数产生算法

素数判定是许多公钥密码算法中的一个重要环节,当前在密码算法中所使用的素性测试方法都是概率素数测试法。本文提出一种有效素数产生算法,该算法能在较快时间内产生任意比特长、从理论可以证明的素数。     

Neural-network-based delivery time estimates for prioritized 300-mm automatic material handling operations

This paper deals with lot delivery estimates in a 300-mm automatic material handling system (AMHS), which is composed of several intrabay loops. We adopt a neural network approach to estimate the delivery times for both priority and regular lots. A network model is developed for each intrabay loop. Inputs to the proposed neural network model are the combination of transport requirements, automatic material handling resources, and ratios of priority lots against regular ones. A discrete-event simulation model based on the AMHS in a local 300-mm fab is built. Its outputs are adopted for training the neural network model with the back propagation method. The outputs of the neural network model are the expected delivery times of priority and regular lots in the loop, respectively. For a lot to be transported, its expected delivery time along a potential delivery path is estimated by the summation of all the loop delivery times along the path. A shortest path algorithm is used to find the path with the shortest delivery time among all the possible delivery paths. Numerical experiments based on realistic data from a 300-mm fab indicate that this neural network approach is sound and effective for the prediction of average delivery times. Both the delivery times for priority and regular lots get improved. Specially, for the cases of regular lots, our approach dynamically routes the lots according to the traffic conditions so that the potential blockings in busy loops can be avoided. This neural network approach is applicable to implementing a transport time estimator in dynamic lot dispatching and fab scheduling functions in realizing fully automated 300-mm manufacturing.     

Scheduling of semiconductor test facility via Petri nets and hybridheuristic search

This paper proposes and evaluates two Petri net-based hybrid heuristic search strategies and their applications to semiconductor test facility scheduling. To reduce the setup time, such as the time spent to bring the test facilities to the required temperatures, scheduling multiple lots for each job type together is desirable. Petri nets can concisely model multiple lot sizes for each job, the strict precedence constraints, multiple kinds of resources, concurrent activities and flexible routes. To cope with the complexities for multiple lots scheduling, this paper presents two Petri net-based hybrid heuristic search strategies. They combine the heuristic best-first strategy with the controlled back tracking strategy based on the execution of the Petri nets. The obtained scheduling results are compared and analyzed through a small-size test facility. The better algorithm is also applied to a more sizable facility containing types of resources with a total of 79 pieces and 30 jobs. The future work includes the real-time implementation of the proposed method and scheduling results in real industrial settings     

Characterization of operational time variability using effective process times

Operational time variability is one of the key parameters determining the average cycle time of lots. Many different sources of variability can be identified such as machine breakdowns, setup, and operator availability. However, an appropriate measure to quantify variability is missing. Measures such as overall equipment effectiveness (OEE) used in the semiconductor industry are entirely based on mean value analysis and do not include variances. The main contribution of this paper is the development of a new algorithm that enables estimation of the mean effective process time t/sub e/ and the coefficient of variation c/sub e//sup 2/ of a multiple machine workstation from real fab data. The algorithm formalizes the effective process time definitions as known in the literature. The algorithm quantifies the claims of machine capacity by lots, which include time losses due to down time, setup time, and other irregularities. The estimated t/sub e/ and c/sub e//sup 2/ values can be interpreted in accordance with the well-known G/G/m queueing relations. Some test examples as well as an elaborate case from the semiconductor industry show the potential of the new effective process time algorithm for cycle time reduction programs.     

基于RSOM树模型的机器学习原理与算法研究

机器学习和识别可归结于一个高速、有效地搜索非常大的样本空间问题,以实现对训练和识别样本的最佳拟合.对于复杂背景的模式样本集,同类型样本的独立同分布(i.i.d)特性通常难以保证,统计理论无法有效应用.本文将层次化思想和自组织映射(SOM)神经网络相结合,采用递归实现技术实现了一种高效、高容量,能够自适应增长的模式分类树(RSOM树)生长方法,用于模式识别和机器学习的基本建模.通过对大量公用数据集的测试以及在实际的雷达目标识别系统中应用,方法有效性得到了证明.     

基于最佳线性估计的快速压缩感知图像重建算法

针对目前存在的压缩感知(CS)重建算法计算复杂度过高的问题,该文提出一种基于最佳线性估计的快速CS图像重建算法。该算法在编码端进行分块自适应CS随机测量,在解码端根据图像块不同的统计特性,估计出统计自相关函数矩阵,进而构造出最佳线性算子用于重建出各个图像块。由于该算法用线性投影的方式替代了传统CS重建算法的非线性迭代过程,使得其大大缩短了图像重建时间。仿真实验结果表明,对于纹理细节不复杂的图像,所提出的算法并没有因为其计算复杂度的减少而影响到重建质量,仍优于目前流行的CS重建算法。     

(1+/spl lambda/) evolution strategy method for asynchronous DS-CDMA multiuser detection

This letter introduces a new multiuser detection algorithm based on (1+/spl lambda/) evolution strategy for asynchronous DS-CDMA systems. By setting the offspring population size and the mutation probability appropriately, the new algorithm can approach the minimum probability of error with great computation efficiency. Simulation results show that the proposed algorithm converges very rapidly and provides good BER performance for cases where other suboptimum algorithms perform poorly. The average computation time is polynomial complexity in the number of users.     

一种基于IMM的自适应跟踪数据率算法

针对交互式多模型(IMM),提出一种自适应跟踪数据率的算法.该算法利用IMM模型更新概率对各模型产生的采样间隔时间进行混合估计,产生系统的自适应采样间隔时间.在保证跟踪精度的基础上,有效地降低了跟踪采样次数.仿真结果表明了方法的有效性.