基于属性约简-聚类分析的集成神经网络

如何构造具有较大差异性的单神经网络是提高集成神经网络分类性能的一个重要问题.这里通过研究在特征空间和样本空间上均有差异的基础上提取训练样本的方法,提出了-种新的基于粗糙集的属性约简和聚类分析的集成神经网络的序列目标分类算法,由于训练单分类器时样本的差异性较大,所以能够有效的保证集成分类器的分类性能.该方法首先在训练视频中连续提取单帧图像中的目标一人,人群,汽车,提取轮廓特征,几何特征作为目标的描述属性;其次对所提取的三类目标样本数据进行属性约简,得到三类样本的特征分布子空间;再次采用基于时手惩罚策略的竞争学习算法(RPCL)进行聚类分析,得到在相应样本空间中的样本分布;最后采用提出的单个神经网络生成算法得到单个神经网络并采用相对多数方法对神经网络进行集成.这里采用基于boosting、Bagging方法的集成神经网络和算法进行比较,结果表明本方法的分类精度要高于传统方法,是一种有效的目标分类算法.     

基于AdaBoost的神经元形态分类的研究

根据神经元形态的几何特征,使用AdaBoost算法对其进行分类,采用决策树、贝叶斯和关联规则分类模型作为基分类器。算法首先采用直接面向纽舍分类器分类精度提升的集成学刁算法选取基分类器,其次利用分类过程中生成样本的孱升权值来调整前K次（K〉1）被错误分类样本的权重,并提留双重阎值法对样本的最终投票表决结果进行判定。对20个测试样本进行分类,得出高可信度分类数为18个。     

Bayes结构递归算法在目标类型和属性融合中的应用

应用Bayes结构递归算法,对一个目标类型和属性融合的应用实例进行计算。通过一定时间间隔的每一次测量值的变化,用Bayes算法计算目标类型和属性的概率值,多次递归计算后,概率值趋向于稳定,从而判定目标类型和属性。     

基于BFM算法的空间有形目标识别方法

为了对具有复杂边缘的目标进行更准确的检测识别,提出了一种基于边界片段模板(boundary frag-ment model)训练模式的目标识别方法.方法首先提取目标的边界片段组成弱分类器,然后使用AdaBoost算法将它们提升训练成为强分类器,并用其进行检测和识别目标.仿真实验表明,该方法对有形目标,特别是对具有复杂边缘的空间有形目标有较好的识别效果.     

基于图论与PageRank的要地反导己方目标重要性排序

针对要地反导作战己方目标重要性排序问题, 创新性地提出一种基于图论与网页排名(PageRank, PR)算法的排序方法。首先, 采用图论方法将各目标之间各种静态、动态关系网络抽象成二维拓扑结构图, 确立在不同关系下各目标之间的相互联系。其次, 根据要地反导作战实际情况，结合专家意见对静态、动态关系网络的重要程度进行打分。基于PR算法思想, 根据构建的目标关系模型, 计算己方目标关系矩阵及重要度值, 给出目标排序。最后, 结合要地反导作战案例进行验证分析。结果表明，该方法能够综合目标排序时的多方面因素, 给出科学、合理的重要性排序, 具有一定的可推广性和应用前景。     

以目标类型为主的一种威胁评估方法

结合现代防空作战的特点和指挥自动化系统的工作要求，对影响目标威胁评估的属性进行了分析，根据多属性决策理论和方法，提出了一种目标威胁评估方法。首先对目标类型进行分类；然后对影响目标威胁评估的各个属性进行划分；最后依据多属性决策方法，建立了目标威胁评估的数学模型，并通过示例介绍了威胁评估的求解过程。仿真结果表明，该模型能够有效目标威胁评估问题，能够有助于指挥员进行目标分配和提高防空武器系统性能。     

粗集在决策树优化中的应用

决策树是一种重要的数据开采方法,但构造最优决策树是一个NP困难问题,分析了以往决策树构造方法的不足,并从决策树最优化的观点详细研究了决策树构造过程中的几个重要问题,为防止决策树过细的分支,引入粗糙集中分辨的概念用于符号值属性的分划,并选择遗传算法优化求解,有关连续属性的处理,也给出了类似符号值属性分化的近似最小离散方法,在测试生成过程中还讨论了事例推理接口,基于上述分析,提出了决策树优化算法,这种算法从树的规模和分类精度都优于许多决策树算法。     

基于IFE动态直觉模糊法的空战目标威胁评估

针对传统空战多目标威胁评估难以与动态作战态势相结合的缺陷和不足,提出了基于直觉模糊熵（intuitionistic fuzzy entropy, IFE）与动态直觉模糊法相结合的空战多目标威胁评估方法。该方法通过直觉模糊集确定目标属性矩阵,采用IFE算法对目标属性赋权;采用泊松分布法处理多时刻态势信息,计算时间序列权重;建立动态直觉模糊空战多目标威胁评估数学模型,并进行了仿真研究。仿真结果表明该算法是合理和有效的。     

基于主动视觉的人脸检测与跟踪算法研究

基于融合Kalman滤波的Camshift算法与Adaboost算法相结合的方法,提出了一种基于主动视觉的人脸检测与跟踪算法.利用Adaboost算法与融合的Camshift算法实现人脸自主检测与跟踪;根据目标形心与视场中心的位置关系以及人脸区域与视场的面积关系,设计了云台控制算法.该控制算法通过对云台摄像机进行水平、垂直和变焦控制,达到自动调整云台摄像机参数的目的.基于硬件平台对所提出的主动视觉算法进行实验验证,实验结果显示,主动视觉算法具有较高的运行效率,能够实时的检测和跟踪人脸目标,扩大了摄像机的跟踪范围.     

基于变精度粗糙集的分类决策树构造方法

针对分类决策树构造时最优属性选择困难、难以适合大规模数据集的问题,提出新的属性选择标准--属性分类重要性测度,引入王信度和支持度,设计了基于变精度粗集理论的决策树算法.分类重要性测度可全面刻画属性的综合分类能力,且计算比信息增益简单.决策树生长过程中引入支持度和置信度,以控制决策树的生长,提高决策树对噪声数据集和不相容数据集的处理能力,减小决策树的规模.通过对UCI上5个不同规模和类型的数据集进行测试计算,结果表明算法效率高于ID3算法,与UCI报告的最好结果相当.     

基于ELM_AdaBoost强预测器的空战目标威胁评估

目标威胁评估是空战态势感知中的关键问题。针对传统评估方法难以兼具准确性和实时性的缺陷,提出了一种基于自适应推进极限学习机(extreme learning machine_ adaptive boosting, ELM_AdaBoost)强预测器的新方法。结合AdaBoost分类算法对ELM算法进行改进,提出了ELM_AdaBoost算法,构造了ELM_AdaBoost强预测器。在空战训练测量仪中选取空战数据,利用威胁指数法构造了目标威胁评估样本数据。构建了基于ELM_AdaBoost强预测器的空战目标威胁评估模型,在一定范围内确定了使算法预测精度相对较好的ELM网络隐含层节点数和弱预测器个数。通过仿真实验分析了评估的精度和实时性,结果表明该方法在保证较高评估精度的同时减少了评估所用时间,可以准确、快速地进行空战目标威胁评估     

基于区间数雷达图的可视化空战威胁评估

针对传统空战威胁评估方法难以直观地给出目标威胁状况及发展趋势的缺陷与不足,提出基于区间数雷达图的可视化空战威胁评估方法。该方法首先通过区间数与反三角函数确定并归一化目标属性决策矩阵;然后运用区间交叉熵法和群组层次分析法确定目标属性权重,并对威胁进行分级;最后在改进雷达图方法基础上,建立可视化空战威胁评估数学模型。仿真分析表明,该方法能够使决策者在正确的评估结果前提下直观地分析出各目标威胁状况与趋势。     

空战决策知识构建方法研究

针对战训数据丰富, 数据背后空战决策知识贫乏的问题, 提出了一种空战决策知识构建方法。首先, 根据空战决策影响因素来分析决策知识的生成过程, 选择用产生式规则来表示空战决策知识。其次, 针对战训数据存在噪声数据干扰以及连续属性数据难以满足数据挖掘算法离散度量要求的问题, 应用了k-means聚类算法来检测离群点并使用最小描述长度准则算法将连续属性离散化。最后, 基于预处理后数据, 采用粗糙集提取空战最小决策规则知识, 通过构建模糊逻辑推理系统实现空战决策知识的推理与应用。仿真表明, 该方法能够有效地提取空战决策规则知识以及知识的推理与应用。     

基于Rough Set理论的判断矩阵构造方法

群决策支持系统（GDSS）是利用信息技术，将多个决策者个人对策该领域的理解及个人判断能力结合在一起，利用结构化决策分析技术，对半结构化和非线结构化问题进行求解，层次分析法是对定性问题作定量分析的一种简便而有效的方法，提出了一GDSS环境下判断矩阵构造的新方法；运用业集理论；利用管理信息系统运行所积累的大量决策数据来分析各决策因素，决策者对决策目标的影响，并建立自学习系统，从而构造具有完全一致性的综合判断矩阵，该方法适用于重复群决策问题。     

FOWHA算子及其在决策中的应用

针对决策信息以三角模糊数互补判断矩阵形式给出的多属性决策问题,提出了一种新的决策方法。该方法依据一般的决策分析方法的基本思路,给出了解该问题的计算步骤,其核心是提出了一种模糊有序加权调和平均(FOWHA)算子,利用该算子对以三角模糊数互补判断矩阵形式给出的决策信息进行集结,并给出了一种基于可能度的决策方案排序方法。最后,给出了一个实例分析。结果表明该方法简单、有效,易于计算。     

AdaBoost-PSO-LSTM网络实时预测机动轨迹

针对自主空战中轨迹预测难以同时保持高预测精度和短预测时间的问题, 提出一种自适应增强的粒子群优化长短期记忆网络预测方法。首先,建立三自由度无人机动力学模型, 解决机动轨迹的数据来源问题。其次,分析长短期记忆网络, 并引入在线预测的滑动模块输入矩阵, 利用粒子群优化算法代替传统基于时间的反向传播算法进行网络内部权值更新; 同时为解决优化算法非定向性问题, 提出数据共享方法。然后,为进一步提高预测精度, 采用自适应增强算法搭建外框架, 通过控制弱预测器的数量平衡预测精度与预测时间。最后, 在一段变化较为频繁的轨迹进行预测, 与5种神经网络预测方法进行比较, 结果表明所提方法能够较好地满足精度和时间要求。     

一种大规模数据库的组合优化决策树算法

提出了一种适合于大规模高维数据库的组合优化决策树算法。相比于传统的类似算法,该算法从数据的离散化,降维,属性选择三方面进行改进,对决策树建立过程中不适应大规模高维数据库的主要环节进行了优化,有效解决了处理大规模高维数据库问题的效率和精度之间的矛盾。仿真试验表明,该算法在大大减少了计算代价的同时提高了决策树的分类精度。     

Method for multiple attribute decision making based on incomplete linguistic judgment matrix

With respect to the multiple attribute decision making problems with linguistic preference relations on alternatives in the form of incomplete linguistic judgment matrix, a method is proposed to analyze the decision problem. The incomplete linguistic judgment matrix is transformed into incomplete fuzzy judgment matrix and an optimization model is developed on the basis of incomplete fuzzy judgment matrix provided by the decision maker and the decision matrix to determine attribute weights by Lagrange multiplier method. Then the overall values of all alternatives are calculated to rank them. A numerical example is given to illustrate the feasibility and practicality of the proposed method.