基于粒子群优化的数据分类算法

设计了一种基于粒子群优化的数据分类算法。新算法首先对数据样本预处理,利用粒子群优化算法通过训练数据进行分类规则的提取,根据提取得到的规则对数据进行分类识别。基于Bayes定理和随机状态转移过程对新算法的收敛性进行分析。通过对UCI数据集分类实验及遥感图像目标识别实验,验证了新算法是一种有效的分类方法。     

复杂战场环境中基于规则格网的动态地形的研究

分析了现有的静态地形的多分辨可视化算法，选择基于规则格网的ROAM(Real-Time Optimally Adapting Meshes)算法作为动态地形研究的基础算法，并对ROAM算法作了适应一般动态地形可视化的通用性的改进，提出了规则动态地形和不规则动态地形的解决方案，并用实验数据证明所设计的方法是可行而且有效的。     

基于信息融合的机动多目标单站无源跟踪关键技术研究

跟踪起始与数据关联是机动多目标单站无源跟踪的关键技术。提出了一种基于目标多特征信息融合的自适应跟踪起始算法，通过构造多维动态可变的跟踪门，进行自适应跟踪起始检测，然后根据序列概率比检验准则进行轨迹确认。同时提出了一种基于多目标多特征信息融合的数据关联算法，首先通过定义多个特征数据关联度，将单个有效观测的多特征信息进行融合，再对多目标进行综合数据关联。计算机仿真表明，该跟踪起始算法能够快速有效地进行航迹起始，数据关联算法的性能要优于传统的最近邻（NN）方法。     

二进制反向学习烟花算法求解多维背包问题

为将烟花算法应用于离散优化领域并有效求解多维背包问题,构建一种二进制反向学习烟花算法。首先,通过定义二进制字符串距离、二进制转置算子将烟花算法的爆炸算子、变异算子离散化,构建二进制烟花算法;其次,设计不完全二进制反向算子并证明其收敛性,构建二进制反向学习烟花算法;最后,对10个多维背包问题典型算例进行仿真分析并与多种智能优化算法进行对比分析。仿真实验结果表明,二进制反向学习烟花算法在求解多维背包问题时具有良好的收敛效率、较高的寻优精度和很好的鲁棒性。     

基于多交换邻域搜索的多维0/1背包问题竞争决策算法

提出了一种求解多维0/1背包问题的竞争决策算法,算法采用一种新的资源交换规则——多交换的资源交换规则,使问题具有更大的邻域搜索空间,从而避免问题陷入局部最优解,同时通过对可行解的随机部分扰动进一步扩大问题的搜索空间.经过测试表明:算法具有计算时间短,求解效果好的特点.     

面向个性化推荐的强关联规则挖掘

提出了适用于个性化推荐的强关联规则的概念,并给出一种基于矩阵的强关联规则挖掘算法.强关联规则集合能够以较少数量的规则表示全部有效关联信息,便于管理和应用.给出的强关联规则挖掘算法只需对交易数据库进行一次扫描,在挖掘过程中不断删除非频繁项使矩阵规模逐渐减小,并且避免了对冗余规则的挖掘, 从而提高了挖掘效率.通过对三组数据的实验表明:强关联规则集合包括的规则数量平均仅为规则总数的26.2{\%},有效解决了规则数量过多的问题.     

基于流形学习降维的决策分析算法

为了有效地分析高维决策表，提出了基于流形学习降维的决策分析算法（decision analysis algorithm based on manifold learning，DAML）. 算法使用等距映射法（ISOMAP）对原始数据做降维处理，在得到的主坐标数据上进行决策分析. 根据核主成分分析法与ISOMAP方法的关系得到主成分与主坐标的转换关系式，并计算原始数据主成分. 提出了基于等价支持子集的决策算法用于计算主成分属性重要性、属性区分能力及等价支持子集. 在得到等价支持子集的基础上抽取决策规则，根据决策规则预测算法预测未知数据. 选取UCI数据库中标准分类数据集作为仿真实验样本，并对比C4.5决策树算法、K最近邻居算法（KNN）与提出的决策规则预测算法在Iris、Breast cancer、Wine、Spectf heart和Ionosphere数据集上的分类精度来验证算法的有效性.     

移动情境感知环境下的用户行为模式挖掘算法研究

针对当前个性化精准营销推荐策略研究中用户情境多样性和动态性等问题的挑战,提出了一种移动情境感知环境下的用户行为模式挖掘算法.该方法采用一种嵌套键值模型,对多源异构的移动情境感知信息进行有效融合和存储,构建了基于规则的多维序列模式挖掘算法MSP及其改进算法UTDMSP,能够从用户移动情境感知信息和交互行为中发现全局频繁和局部频繁的用户行为模式,识别用户长期保持的行为习惯和兴趣偏好,以及近期习惯和偏好的变化新趋势.在真实数据集上验证了本文所提出模型和算法的有效性.     

基于抽样和规则的不平衡数据关联分类方法

不平衡数据的出现给传统关联分类算法带来了巨大的挑战.为了提高关联分类方法对不平衡数据集的分类精度,本文分别从数据和规则层次着手,提出了关键值抽样法(key value sampling,KVS)和规则验证法(rule validation,RV).关键值抽样法通过增加与少数类相关性强的数据,减少与多数类相关性弱的数据来达到数据类分布平衡.避免了大量有效信息的流失,并且增强了与少数类相关性强的数据信息.规则验证法对初步生成的分类器进行了规则验证,并对分类性能不好的规则进行调整,从而保证了分类器中规则的质量.实验表明,本文中的研究方法能够有效提高关联分类方法处理不平衡数据的精度.     

基于分形的软件衰退预测

许多研究人员指出导致软件性能衰退的主要原因之一是系统资源的耗尽,而软件系统实时运行时采集到的系统资源耗费数据展示出了分形这一几何特征,因此应用了基于分形分析的方法,计算反映软件衰退状态的霍尔德指数,实现软件性能衰退的预测。首先改进和扩展了霍尔德指数计算算法,使得能够计算多维霍尔德指数;然后使用经典的统计方法预测软件衰退导致宕机的时间,接着用实验验证了改进的多维霍尔德指数计算算法的精度,最后使用软件运行中采集到的系统资源耗费数据进行了仿真实验,实验结果显示该算法有效的预测宕机时间,从而为执行软件自愈策略提供依据。     

基于决策者偏好投影寻踪模型的多属性决策法

针对现有主观赋权法和客观赋权法的不足,提出了一种新的综合赋权方法——基于决策者偏好及投影寻踪聚类模型的综合赋权法。该方法运用投影寻踪聚类模型,把多属性决策问题中的高维数据转化到低维子空间,同时用自适应粒子群优化算法来优化投影指标函数和模型参数,获得了决策属性体系最佳投影方向和投影值,揭示了高维数据的结构特征。同时,也考虑了决策者对不同属性的偏好,使对属性的赋权达到主观与客观的统一。最后通过一个仿真实例说明了该方法的可行性与有效性。     

模糊模型辨识中模糊聚类方法应用分析

模糊聚类算法已广泛应用于模式识别、数据聚类以及从数据中提取模糊规则的过程。介绍了基于模糊聚类的非线性系统模糊辨识方法 ,并通过著名的Box和Jenkins煤气炉数据仿真实例详细研究了模型性能指标与输入变量及模糊聚类数之间的关系 ,指出了应用模糊聚类方法的优势与不足。对于模糊建模中正确应用模糊聚类方法具有重要指导意义     

基于PLS和减聚类的模糊逻辑系统设计及应用

结合PLS和减聚类算法设计了一种新型的模糊逻辑系统混合训练算法。通过将全部样本数据作为模糊规则选入系统,并引入PLS作为训练算法,从而有效的抑制样本数据中的严重噪声;为了使训练后的系统结构得以简化,利用减聚类算法合并系统中相似的规则。还通过仿真验证了该方法相比于传统OLS训练算法的优点;并将其应用于湿法冶金萃取组分含量软测量建模中,得到了满意的效果。     

A Quick Algorithm for Mining Exceptional Rules

Exceptional rules are often ignored because of their small support. However, they have high confidence, so they are useful sometimes. A new algorithm for mining exceptional rules is presented, which creates a large itemset from a relatively small database and scans the whole database only one time to generate all exceptional rules. This algorithm is proved to be quick and effective through its application in a mushroom database.     

基于免疫克隆原理的改进粒子群优化算法的研究

提出了一种改进的粒子群优化(PSO)算法来进行函数优化,以克服PSO算法容易陷入局部极值的不足,加快收敛速度,从而实现全局搜索.PSO算法是基于群体智能的随机优化算法,参数结构简单,但收敛速度慢,容易陷入局部极值.通过对PSO算法的深入分析,基于传统的速度--位置更新操作,把免疫克隆(IC)原理引入PSO算法中,将抗体视为粒子,根据亲和度的高低进行粒子克隆选择、克隆抑制和高频变异,提高了种群的多样性和全局搜索的能力.测试结果表明,该算法完成全局搜索所需的迭代次数明显少于PSO算法,大大缩短了搜索时间,在多维函数最优解的搜索中具有优良的性能.     

基于多维伪F统计量的基因表达动态聚类分析方法研究

K-均值聚类分析算法是一种广泛应用于基因表达数据聚类分析中的迭代变换算法，它通过指定类别数K-基于给定的聚类目标函数，并采用迭代更新的方法，使得最终的聚类结果的目标函数值为极小值，达到较优的聚类效果。针对K-均值聚类分析算法存在参数依赖性强，且在整个聚类过程中类的数目无法改变的缺点，引入动态调整聚类个数的思想和多维伪F统计量，提出了一种基于多维伪F统计量的基因表迭动态K-均值聚类算法。实验结果表明该算法可以动态调整聚类个数，给出最佳聚类数目，从而获得较好的聚类质量．     

FADS快速智能故障检测和诊断技术

以重复使用运载器所使用的嵌入式大气数据传感器系统为研究对象,设计故障检测和诊断方法.采用奇偶校验的检测方法实现故障检测,通过粗糙集约简减少奇偶方程的数量,将约简后的决策表转化成规则,实现诊断规则的离线提取,使用位向量逻辑判断完成规则推理.仿真结果表明结论正确可靠,算法计算代价小、运算速度快,能够满足在线诊断的实时性要求.     

一种高效的关联规则更新算法

在大型数据库中 ,数据不是静止的 ,新的记录需要不断地增加到旧的数据库中 ,而从旧的数据库中挖掘出来的关联规则必须加以维护 ,为此提出了一种关联规则更新算法。该算法既能有效地利用已经发现的知识 ,又能减少数据库的扫描次数 ,同时只需产生少量候选集。实验表明 ,该算法的执行效率比现有的典型更新算法高 ,是一种有实际应用价值的、高铲的关联规则更新算法。     

基于RAGA的PPC模型对扎龙湿地的可持续发展评价研究

在区域可持续发展评价研究框架的基础上,运用基于RAGA的PPC模型（基于加速遗传算法的投影寻踪聚类模型）,借助扎龙湿地多年统计数据,将多维数据指标（样本评价指标）转换到低维子空间,获得指标体系最佳投影方向和投影值,做出判断,从而初步实现对扎龙湿地可持续发展的评价。表2,参8。     

有约束指导的粗集决策表属性约简算法

粗集理论通过对原始决策表的约简获取规则知识,其核心部分是属性约简.本文在结合两种基本属性约简算法优点的基础上提出了有约束指导的属性约简算法,并给出了算法的详细步骤.该算法通过专家经验的约束指导避免了对属性之间随机组合情况的搜索,可以提高求解速度.仿真试验验证了该方法的有效性和优越性.应用该算法处理一组生产调度数据以获取调度规则,结果显示能较好的与生产实际相吻合,这进一步验证了算法的实用性.