基于主元分析及粗糙集的多变量决策树构造方法

为解决故障诊断中单一方法难于处理大规模、多变量数据信息的问题,提出了一种利用主元分析方法和粗糙集理论相结合的多变量决策树构造方法.该方法利用主元分析对历史数据进行降维、去噪处理,得到由主元变量组成的决策信息.通过粗糙集理论中核属性和相对泛化的概念对此决策信息进行属性选择和样本集划分,构造出多变量决策树,并建立诊断规则知识库.基于汽轮机发电机组的轴系振动故障分析的实例验证了此方法的正确性,与其他方法相比较具有规模小、诊断规则易于提取的特点.     

粗等价类双边递减下多次Hash的渐增式求核与约简算法

为设计高效约简算法,首先以全局等价类为最小计算单位提出粗等价类概念,证明粗等价类下约简与原信息系统等价;然后深入剖析1,0,-1三类粗等价类的性质,把求正区域等价转化为0-粗等价类双边递减下的渐增式计算,结合1和-1-粗等价类的传递性,设计双边横向删减实体和纵向删减属性的优化规则,可在每一轮增量计算中缩减计算域,基于此设计多次Hash的属性增量划分方法;最后给出新的渐增式快速求核与约简算法,其中求核基于纵向优化规则,可在一次计算中求得多个非核属性,无需遍历全部属性.基于UCI、海量和超高维3类数据集进行多个实验,实验结果证明本文求核与约简算法是高效完备的,在海量数据与超高维数据集下有较大优势.     

基于粗糙集理论的多源信息融合故障诊断方法

在故障诊断中,从包含冗余和不一致信息的数据中获取简单有效的诊断决策规则是一个难题.首先,针对完备信息系统和不完备信息系统分剐提出了相应的融合算法,为解决数据超载以及不完整信息融合问题提供了有效的方法.其次,提出了基于粗糙集理论的多源信息融合故障诊断模型.该模型从包含冗余和不一致信息的原始数据出发,利用基于改进属性重要度的方法实现故障征兆属性约简;然后通过给出的值约简算法进一步产生最大广义决策规则集,建立了用于故障诊断的规则库.最后,在应用该模型进行故障诊断时,用待诊断实例的离散化了的故障征兆属性与规则库中的诊断决策规则进行匹配,对返回的诊断决策规则依据置信度、覆盖度和支持度进行综合评价,并得出诊断结论.给出的诊断实例验证了该方法的可行性和有效性.     

基于KPCA与LSSVM的网络控制系统时延预测方法

针对网络控制系统中随机时延很难精确预测的问题,首次将核主成分分析（kernel principal component analysis, KPCA）与最小二乘支持向量机（least squares support vector machine, LSSVM）结合对随机时延进行预测,KPCA对输入随机时延序列降维,消除重复性与噪声,减少LSSVM的运算量,降维后的时延序列通过LSSVM算法预测时延值。仿真结果表明,基于KPCA与LSSVM的时延预测方法的预测精度高于其他的预测方法。     

含冲突的决策表中的决策规则发现

基于Rough集理论中的可辨识矩阵，讨论包含冲突样本的决策表中的决策规则及其可信度和支持度因子，提出决策规则的发现算法，算法通过删除决策表的核属性来引入新的冲突,以获取具有更高适应度的决策原则，最后用实验结果证明算法的可行性。     

两类决策系统中规则获取的联合决策矩阵算法

提出了联合决策矩阵的概念以及基于联合决策矩阵的两类决策系统规则获取算法.将条件属性等价矩阵和决策属性等价矩阵合并到一个矩阵中,大大减少了矩阵生成过程的比较次数,能有效提高算法的效率.用一个实例说明了算法的执行过程,并通过算法复杂度分析与实验结果对比,进一步说明了该方法的有效性.     

基于多分类GA-SVM的高速公路AID模型

智能检测系统已为高速公路交通事件检测提供了有效的途径.为了更加细致地了解高速公路交通运行状态,为突发事件的应急处理提供更加高效、可靠的决策支持, 将支持向量机两分类问题延伸到多分类上来.根据交通事件的发生过程,将其分为自由流状态,交通拥堵加剧状态,交通拥堵消散状态.采集VISSIM对交通事件各阶段进行仿真的原始数据集,运用主成分分析方法对交通输入特性进行降维处理,构建支持向量机多分类事件检测模型,最后用遗传算法选择支持向量机模型参数,获得了满意的检测效果.     

基于知识发现的商品住宅有效需求趋势预测方法

给出了影响商品住宅需求趋势的指标体系,并提出基于属性聚类的知识发现算法.该算法以突变级数评价方法进行属性聚类,以基于支持度与可信度的等价矩阵方法进行规则获取,最终获得反映商品住宅的有效需求的变化趋势与其相应的影响因子之间关系的规则,以指导未来的商品住宅需求趋势的预测.     

基于MapReduce的大规模数据集流形学习降维研究

信息技术的快速发展导致了数据规模的爆炸式增长，传统的机器学习、数据挖掘算法面临新的 挑战. 流形学习克服了传统线性降维算法的不足，成为十年来降维研究的热点领域. 然而流形学习 算法复杂度高，对于大规模的数据集并不适用. 针对大规模数据集下的流形学习降维问题，提出了 基于MapReduce 的分布式流形学习算法. 该算法采用局部敏感哈希函数将相似点映射到同一个桶中，利用流形具有局部欧氏同胚的性质，在每个桶内采用欧氏距离度量点之间的测地距离，桶之间采用 中心点及边缘点来计算修正的测地距离. 在大规模的人工合成数据集和真实数据集上的实验表明，该算法能有效地估计数据点间的测地距离，适用于处理大规模数据集的降维问题.     

多准则分级决策的扩展粗糙集方法

解决分级决策问题的方法主要涉及统计学、人工智能和运筹学等．粗糙集理论被证明是进行多属性决策分析的有利工具．但是，基于不可分辨关系或相似关系的传统粗糙集方法不适于解决带有准则的决策分析问题．因此，Greco等提出了一种扩展的粗糙集方法分析分级决策数据，该方法利用支配关系代替不可分辨关系对决策类进行粗糙近似．在此基础上，为了从决策数据中构造偏好模型，通过构造支配矩阵和支配函数计算最小决策规则．为了消除规则集中的冗余性，提出了规则化简的方法．此外，对基于规则的分级决策策略进行了研究.     

干扰规则库未知条件下的干扰决策

针对模板匹配(template matching, TM)应用于未知干扰规则库时干扰决策正确率低问题,提出基于迁移成分分析-支持向量机(transfer component analysis support vector machine, TCA SVM)的干扰决策方法。对空-空场景机载多功能火控雷达,提取雷达信号特征,构建雷达干扰规则库及未知威胁数据集,通过迁移成分分析把两个样本集的特征映射到同一低维隐藏空间,提取样本隐藏空间特征,经过支持向量机训练,实现对未知威胁数据集的干扰决策。实验结果表明:所提方法有效提高了干扰决策正确率,TCA-SVM出色的学习及泛化能力,较好地解决了干扰规则库未知条件下干扰决策问题。     

与特征选取和离散化集成的决策规则挖掘方法

利用粗糙集理论可以从已知数据中挖掘决策规则 .对于连续取值的特征属性必须先对其离散化 .从给定的特征属性集合中去除冗余的特征属性 ,选取有用的属性子集有助于简化决策规则 .我们利用基于信息熵的规则不确定性量度函数构造了一个决策规则挖掘的遗传算法 ,将规则挖掘与特征选取和连续属性的离散化集成在一起 .实验结果说明了这种方法的有效性.     

基于相异度核空间的支持向量机算法

提出基于相异度核空间的混合流形学习与支持向量机(SVMs)算法用于解决高维数据分类问题. 该算法使用SVMs对流形学习降维后的低维嵌入做分类.通过加常数方法构造了衡量数据点相异度的特征空间. 证明了该特征空间不仅能够衡量数据点之间的相异度,还满足Mercer条件对于支持向量机分类核空间的半正定性的要求. 在仿真实验中,采用UCI机器学习数据库上标准分类数据集为样本. 对比构造的相异度核空间与常用核函数如线性核、多项式核、高斯核在支持向量机分类时的 分类精度来验证有效性和优越性.     

Incremental support vector machine algorithm based on multi-kernel learning

A new incremental support vector machine (SVM) algorithm is proposed which is based on multiple kernel learning.Through introducing multiple kernel learning into the SVM incremental learning,large scale data set learning problem can be solved effectively.Furthermore,different punishments are adopted in allusion to the training subset and the acquired support vectors,which may help to improve the performance of SVM.Simulation results indicate that the proposed algorithm can not only solve the model selection problem in SVM incremental learning,but also improve the classification or prediction precision.     

基于TM影像的农田防护林信息提取研究

农田防护林作为防护林的类型之一,在农田系统中具有重要作用。快速掌握农田防护林的动态变化,对于政府部门的管理和决策具有非常重要的意义。以吉林省德惠市区域作为试验区,选取2002年6月4日TM影像作为实验数据,结合研究区特点,将该区分为防护林地、其它林地、耕地、居民地、水域及未利用地等6类。通过光谱曲线分析、主成分变换分析和形状指数分析,利用决策树方法,最终提取出农田防护林信息。经验证,农田防护林的提取精度为85.52%,说明该方法可以为防护林的提取提供参考,为防护林的监测与管理提供数据支持。     

基于混合遗传的粗集理论在工期目标实现中的应用

提出了一种基于混合遗传算法的相对约简算法,把模拟退火融入到遗传算法中形成混合遗传算法,提高了遗传算法的优化效率,并用这种混合遗传算法寻求最小条件属性集及最小属性值约简.并把该算法引入到工程管理中,提出若干条决策规则,工程管理人员按照这种决策规则进行施工过程的管理,确保在预定时间内完成工程任务.如果对整个施工过程的每道工序都提出决策规则,就可以实现施工过程的智能化管理.     

基于监督核熵成分分析的发动机磨损故障诊断

针对发动机受工作环境影响,导致油液光谱数据存在大量冗余信息且具有非线性结构,从而影响发动机故障诊断结果的问题,提出监督核熵成分分析(supervised kernel entropy component analysis, SKECA)的特征提取方法;该方法在核熵成分分析基础上引入监督学习算法,提取油液光谱数据的内在几何特征,使提取后的故障特征中包含判别信息,并利用遗传算法(genetic algorithm, GA)寻找参数来优化特征提取的结果,采用支持向量机对故障特征进行分类。结果表明：采用SKECA进行特征提取能够有效提高发动机故障诊断精度。     

基于特征选取与树状Parzen估计的入侵检测

针对目前网络空间安全形势快速变化带来的新风险和新挑战, 提出一种基于相关性分析的特征选取和树状Parzen估计优化的入侵检测方法。首先, 通过基于相关性分析的数据特征选取方法对数据维度进行压缩。其次, 对原始数据集进行特征筛选, 生成新的特征子集。最终, 使用序列模型优化算法中的树状Parzen估计算法对随机森林算法进行模型优化。实验结果表明, 相比其他应用机器学习算法的入侵检测方法, 所提方法在提升综合性能的同时拥有更高的检测效率, 有效地提升了入侵检测技术的实用性。