基于区间梯形二型犹豫模糊数的多准则决策方法

针对准则权重不完全的犹豫模糊多准则决策问题,提出基于区间梯形二型犹豫模糊数的决策方法.首先,给出区间梯形二型犹豫模糊数,根据几何面积法定义区间梯形二型犹豫模糊数的可能度和差异度;然后,利用差异度和离差最大化模型得到各准则权重,基于TOPSIS思想得到各方案的综合贴近度,并对方案进行排序;最后,通过算例分析和对比分析验证了所提出方法的可行性和有效性.     

基于多目标分层遗传模糊建模的磨矿过程溢流粒度软测量

提出一种基于多目标分层遗传算法的模糊系统对溢流粒度进行软测量, 该方法将模糊系统分为4 层, 即输入层、隶属度层、规则库层和系统集成层. 为了达到各层共同进化的目的, 设计遗传算法各层编码策略, 构建基于平均绝对百分误差和均方根误差的优化目标函数, 并采用该函数计算各层个体的适应度. 鉴于模糊模型训练过程中可能出现异常解, 将L-M 贝叶斯正则化方法融入训练过程. 对磨矿生产数据的仿真实验验证了所提出方法的有效性.

     

虚拟参考反馈校正控制的统计渐近性分析

虚拟参考反馈校正控制(VRFT)是一种数据驱动的控制策略,其避免了系统对象的建模过程,广泛应用于比例—积分—微分(PID)控制器的调整中.因未知参数估计值的统计渐近方差矩阵是整个系统辨识领域中的一个重要的衡量指标,利用泰勒级数展开得到未知参数估计的误差,对此参数估计误差建立其对应的方差矩阵式,利用矩阵运算推导出该方差矩阵式中的两对角元素.此两对角元素则对应为闭环控制系统中关于两未知参数估计矢量的渐近方差矩阵子式.以此渐近方差矩阵为基础,通过建立其迹运算的最优化问题来求解最优的滤波器.最后用仿真算例验证该方法的有效性和可行性.     

基于云计算的多路网络流媒体分布式最优存储与分配策略

针对云计算系统在执行任务过程中的能量消耗过多、处理速度不理想等情况,提出一种基于云计算的多路网络流媒体分布式最优存储与分配策略.通过构建基于云计算的数学模型来分析执行任务时的能量消耗情况,采用基于虚拟调度机制的分布式最优存储策略来实现在满足存储需求的情况下减少服务器进行存储时的能量消耗总量,最小化存储成本,并采用基于动态决策规则的分配策略来根据服务器的功率、性能以及负载情况进行任务调度,使云计算系统在满足服务质量要求的条件下,充分利用系统运作能耗,不产生过多空闲能耗.实验及结果分析表明,所提出的分布式最优存储与分配策略在节省能量消耗、提升运行速度上发挥了较好的效果.     

催化柴油管式液相加氢脱硫数值模拟

采用计算流体力学(CFD)软件FLUENT,以用户自定义函数(UDF)添加化学反应和反应热,对实验室带有陶瓷膜管分散器的催化柴油管式液相加氢脱硫反应器进行模拟计算,得出反应床层不同部位的硫化物含量分布和温度分布状况。从反应床层的入口到出口,催化柴油的硫化物含量逐渐下降,且下降速度趋缓。在压力6.5 MPa、混氢量0.84%(m)、空速2 h~(-1)、进口温度633 K的条件下,位于床层高度0.15 m处出现最高温度点643.8 K,径向温差最大2.1 K,表明催化柴油管式液相加氢脱硫反应器催化剂装填合适的高径比为4~6。工艺条件的模拟结果表明:随着进口温度上升、混氢量增加、空速减小脱硫率提高,与实验数据吻合程度较好,说明模拟研究过程中采用的模型和控制方程准确性较高。     

复形态双向联想记忆网络及其性能分析

基于复数环(C,∨,∧,+)提出了复形态双向联想记忆网络模型,给出了神经网络实现双向完全联想记忆的条件,并分析了自联想的存储能力、稳定性和收敛性及神经网络的抗噪声能力.当复数虚部取零时即为实数,实数域形态双向联想记忆网络就是复数域形态双向联想记忆网络的特例.最后通过仿真实验验证复形态双向联想记忆网络的有效性.     

基于人工免疫算法的增量式用户兴趣挖掘

了解用户兴趣是为用户提供个性化服务的关键.用户兴趣有短期兴趣和长期兴趣之分,且具有不稳定性.受人工免疫系统的启发,巧妙地将免疫应答过程应用于用户兴趣挖掘.首先将概率与时间相结合,提出“概念时序动态”的概念,以更好地刻画用户在一段时间内对同一兴趣的关注程度;然后基于人工免疫原理,建立抽取兴趣标签的分类器来提取用户兴趣标签;最后针对增量式学习,建立兴趣标签的“概念时序动态”,刻画出用户兴趣自首次出现以来受关注的程度,以此为依据来判断兴趣是否存在迁移及遗忘现象,并为每个兴趣标签附上权重.其主要贡献是创造性地将人工免疫原理应用于用户短期兴趣和长期兴趣的挖掘,并具有增量特性,可以很好地体现用户兴趣迁移特征,是一种自然完整的用户兴趣模型.实验结果表明,该学习模型能够很好地发现用户关注的领域,其平均精度和召回率分别达到79.5％和74.4％,是目前最贴近用户的兴趣挖掘模型.     

基于深度网络的多形态人脸识别

在实际的自动人脸识别系统中,输入的识别图像往往在表情、分辨率大小以及姿态方面呈现出多种变化。现在很多方法尝试通过线性或局部线性的映射来寻找由这些变化共享的统一的特征空间。利用由受限玻尔兹曼机(RBM)堆叠成的深度神经网络来发掘这些变化内在的非线性表达。深度网络能够学习高维数据到低维数据的映射关系,并且有助于提高图像分类和识别的性能。同时,为了实现在一个统一的深度框架下同时进行特征提取和识别,在网络的顶层增加了一个监督的回归层。在预训练阶段,通过训练集中不同姿态、不同表情以及不同分辨率的图像对网络进行初始化。在微调阶段,通过网络的输出与标签之间的差 并利用标准反向传播的方法 对模型的参数空间进行调整。在测试阶段,从测试库中随机选择一幅图像,获得统一空间下的特征向量。通过与参考图像库中的所有特征向量进行对比,利用最近邻域的方法识别人脸身份。在具有丰富表情以及大姿态变化的CMU-PIE人脸数据库上进行了全面的实验,结果表明,提出的方法取得了比最新的局域线性映射(或局部线性)的人脸识别方法更高的识别率。     

直接和间接的笔倾斜输入性能对比

越来越多的笔式设备通过增加笔倾斜输入来提高其输入能力。但在直接输入设备和间接输入设备上执行笔的倾斜操作时,由于操作环境和视觉反馈的不同,往往会导致操作性能产生差异。本研究以探索笔倾斜输入在直接设备和间接设备上的性能差异为目的,以实证手段考察在两种设备上获取不同角间距下的不同笔倾斜目标时的操作速度、稳定性和准确性,讨论导致直接设备和间接设备笔倾斜性能不同的原因,并提出适用的角间距和倾斜目标位置。实验结果表明,在直接设备和间接设备上操作笔倾斜角时,在操作速度上直接设备优于间接设备,但在稳定性和准确性上,间接设备优于直接设备。20°的角间距对两种设备来说都呈现较好的性能,若需要在更小角间距内完成目标选择操作,在间接设备上的效果更好。最后,对两种设备的用户使用习惯进行了总结,为基于笔倾斜角的用户界面设计提供了帮助和参考。     

基于视觉运动特性的视频时空显著性区域提取方法

为了更准确有效地提取人眼观察视频的显著性区域,提出一种基于视觉运动特性的视频时空显著性区域提取方法。该方法首先通过分析视频每帧的频域对数谱得到空域显著图,利用全局运动估计和块匹配得到时域显著图,再结合人眼观察视频时的视觉特性,根据对不同运动特性视频的主观感知,动态融合时空显著图。实验分析从主客观两个方面衡量。视觉观测和量化指标均表明, 与其他经典方法相比,所提方法提取的显著性区域能够更准确地反映人眼的视觉注视区域。