基于Surfacelet变换和动态纹理的烟雾检测

鉴于烟雾检测对火灾预警的重要作用,提出一种基于Surfacelet变换的动态纹理烟雾检测算法。先对图像序列进行Surfacelet变换,再对变换后的系数进行广义高斯建模,获得与系数相对应的模型参数作为特征,最后使用KL距离做相似性度量。与其他3种基于Surfacelet变换的烟雾检测方法进行对比,包括：使用均值和方差作为特征,支持向量机进行分类;使用均值和方差作为特征,欧式距离进行相似性度量;使用广义高斯模型参数作为特征,欧式距离进行相似性度量。实验结果表明,该算法可以提高烟雾检测准确性,降低误检率,有效去除类烟运动物体的干扰。     

数据挖掘中基于最小遗憾度的偏好感知算法

交互学习是数据挖掘的一种重要手段。使用交互学习作为学习系统和用户的交互模型,以向用户提供最大效用结果为目标,通过对用户反馈质量进行定量描述,考察偏好反馈,提出一种基于最小遗憾度的偏好感知算法。此外,还对偏好感知算法的期望遗憾度界限进行分析,并给出该算法的几个扩展版本。最后利用电影推荐任务及网络搜索排名数据验证了该算法的有效性。     

基于双路加速度计的空间手写输入识别模型

针对三维空间手写过程中采样装置横滚角变化较小的特点,提出一种基于双路MEMS加速度计的无陀螺硬件编排方案及相应的角速度、线加速度解算方法;根据解算得到的线加速度,同步计算得到笔画数量、笔画走向和归一化长度、总的笔画归一化长度等手势特征,并表示为手势特征码;手势特征模式库基于手势特征码集合定义,并基于手势特征码与不同模式间的差异化度量值实现用于手势识别的分类器。基于手势特征码的手写模式识别方法能够较全面描述字符的时域特征,且对无效笔画有较好的适应能力,仿真实验验证了该方法的可行性和有效性。     

互联电网自动发电控制功率分配的改进逼近于理想解的排序--Q多目标优化算法

本文提出了一种多目标决策与强化学习相结合的改进的逼近于理想解的排序(technique for order preference similar to an ideal solution,TOPSIS)-Q算法,有效解决了自动发电控制(automatic generation control,AGC)总功率指令分配到风电、水电、火电等各类AGC机组的动态随机多目标优化问题.算法采用3个不同的目标Q值矩阵进行迭代更新,然后利用改进TOPSIS方法对Q值矩阵进行多目标决策处理,客观地给出各目标的动态最优权重系数,从而得到各状态-动作对的综合评价判据.IEEE标准两区域模型仿真研究验证了改进TOPSIS-Q算法在AGC机组功率多目标动态优化分配过程应用的可行性和有效性,在复杂随机扰动的环境中提高系统CPS性能的同时,有效降低了AGC机组调节成本和碳排放.     

引入测评机制的综合学习粒子群优化算法

综合学习粒子群算法（CLPSO）能够改善粒子群算法多样性差且易局部收敛的问题,相比传统PSO算法能够一定程度避免算法早熟,但却存在收敛速度慢的问题。对此,提出一种CLPSO的改进算法（CLPSO‐II）,为每个粒子随机构造两个学习粒子,引入测评机制,择优学习。实验结果表明,CLPSO‐II能有效提高CLPSO的搜索效率,在处理多峰函数时,其性能优于传统粒子群算法（PSO）、全面学习粒子群算法（FIPS）和综合学习粒子群算法（CLPSO）。     

基于遗传优化加权相关向量机的网络热点预测模型

为了提高网络热点事件的预测精度,提出一种基于遗传优化加权相关向量机的网络热点事件预测模型(GA-WRVM)。首先对每个样本数据的噪声方差加上一个权值系数得到加权相关向量机,然后用组合核函数代替相关向量机的单一核函数,并采用遗传算法对核参数进行优化建立预测模型,最后利用网络热点数据进行仿真实验分析。结果表明,相对于神经网络和支持向量机,GA-WRVM降低了网络热点事件的预测误差,获得了更高的网络热点预测精度,具有更强的泛化能力。     

基于PCA与主动学习AdaBoost的频谱感知算法

针对认知网络中各低信噪比环境下主用户信号检测率偏低的问题,提出一种基于主成分分析和主动学习AdaBoost的主用户信号频谱感知算法.该算法首先采用主成分分析算法对信号特征参数进行提取,获得信号的主成分,之后利用主动学习算法通过多次迭代抽样,获取有利于提高分类性能的样本,并对AdaBoost分类器进行训练,最后利用训练完成的AdaBoost分类器对待测信号进行分类检测.仿真实验表明,在各低信噪比情况下与ANN和MME算法相比较,所提算法具有较高的分类感知性能,有效地实现了对主用户信号的频谱感知.     

一种改进的K均值文本聚类算法

提出了一种改进的K均值文本聚类算法.该算法的改进基于以下两点:1)基于簇密度与文本间距离选取初始簇中心,引入置信半径来得到簇密度,即选取距离最远且簇密度最大的点为初始簇中心;2)基于权重的海明距离来计算文本相似度,同时采用轮廓系数来衡量不同算法的聚类质量.实验结果表明:该算法相比原始的K均值文本聚类算法和文献[1]中算法具有更好的聚类质量.     

稀疏标签传播:一种鲁棒的领域适应学习方法

稀疏表示因其所具有的鲁棒性,在模式分类领域逐渐得到关注.研究了一种基于稀疏保留模型的新颖领域适应学习方法,并提出一种鲁棒的稀疏标签传播领域适应学习(sparse label propagation domain adaptation learning,简称SLPDAL)算法.SLPDAL通过将目标领域数据进行稀疏重构,以实现源领域数据标签向目标领域平滑传播.具体来讲,SLPDAL算法分为3步:首先,基于领域间数据分布均值差最小化准则寻求一个优化的核空间,并将领域数据嵌入到该核空间;然后,在该嵌入核空间,基于l₁-范最小化准则计算各领域数据的核稀疏重构系数;最后,通过保留领域数据间核稀疏重构系数约束,实现源领域数据标签向目标领域的传播.最后,将SLPDAL算法推广到多核学习框架,提出一个SLPDAL多核学习模型.在鲁棒人脸识别、视频概念检测和文本分类等领域适应学习任务上进行比较实验,所提出的方法取得了优于或可比较的学习性能.     

迭代学习控制在电力系统中的应用进展

根据迭代学习控制基本原理及其特性,归纳迭代学习控制在电力系统中的各种应用,对迭代学习控制的最新进展进行详尽的叙述,讨论迭代学习控制在电力系统中应用存在的问题,并对其发展进行展望.