广义因果理论上基于模型诊断过程的形式化

对广义因果理论上基于模型诊断的一般过程进行形式化 ,对它与本原蕴涵 /蕴涵式的直接关系进行论证 ,从而将理论结果与实现联系起来 .表明该结果不仅能够计算只已知部件的部分故障行为方式时基于模型的诊断 ,还能够计算已知每个部件的各种故障行为方式下基于模型的诊断 ;指出对广义因果理论上基于一致性的中心诊断过程、中心溯因诊断过程的形式化只是文中给出形式化的特例     

不确定因果理论诊断的测试

对不确定因果理论的诊断测试进行探索, 将初始测试条件从true推广到任意可满足的A, 提出对不确定前提条件测试的概念, 给出几个相关定理及其证明, 利用这些结果有助于判定诊断空间, 确定测试的优先序, 从而提高测试效率.     

基于模型的实质诊断

在扩展的因果理论上,基于模型的实质诊断的刻画具有一般性,适用于已知每个部件的各种行为方式情形下的诊断.对于需逻辑推出的观测子集取空集和整个观测集这两种极端情形,本方法则可得到基于一致性实质诊断和实质溯因诊断.同时还论证了该诊断过程与本原蕴涵/蕴涵式的直接关系,从而将其与算法实现联系起来.     

不确定风险模型的不确定生存率

基于不确定理论的极值定理中最大值的不确定分布，以及风险模型中最大损失的定义及其独立增量性质,定义并证明了不确定风险模型的不确定生存函数,并给出2个基本性质.利用不确定生存函数和不确定更新过程的分布函数的定义,证明了保费和索赔均带折现率的不确定离散风险模型的不确定生存函数.     

基于不确定理论的短期风险模型

在保险实务中,给定时间内的理赔总量是一个非常重要的数据,而针对该数据的模型更是保险风险分析中的基础模型.本文通过对给定时间内发生索赔的保单的研究分析,以不确定理论为工具,给出了两个带有限制条件的基于不确定理论的短期风险模型的分布,及其期望的一个性质.     

不确定经验分布下的成套订单数模型

基于不确定理论,在单机加权成套订单数问题中,建立了该问题的新的不确定模型,并利用不确定经验分布的方法对此类问题进行了说明.最后给出算例,并且运用Matlab求出了其最优解.     

BCK-代数Fuzzy蕴涵理想(Ⅰ)

本文引入BCK-代数的Fuzzy蕴涵理想的概念,并给出Fuzzy理想成为Fuzzy蕴理想的充要条件,进一步刻划Fuzzy蕴涵理想的同态性质.     

蕴涵意义新解

严格蕴涵和实质蕴涵本质上都是基于命题真假函项的蕴涵概念的定义方法，并不能从根本上解决实质蕴涵会导致蕴涵怪论的问题。实质蕴涵和严格蕴涵定义所给出的只是蕴涵成立的必要条件，将它作为蕴涵成立的充分条件来使用是不合适的。为有效避免蕴涵怪论问题的出现，提出了一种新的意义蕴涵概念。这一概念简明、直观和容易理解。     

不确定目标机会约束规划模型及在指派问题中的应用

基于不确定理论以及不确定规划模型,研究了目标函数在一定置信水平下取得最值的一类不确定目标机会约束规划模型,并研究了指派问题的不确定目标机会约束规划模型,给出求解此模型的算法.最后,给出应用实例说明模型的合理性及算法的有效性.     

不确定选址模型最优解的性质

最近,高原基于不确定理论引入了第一网络满意度的概念,并基此提出了不确定选址模型.该模型的解与参数有密切的关系.本文研究了该模型的解随参数变化的情况,得到下述结论:存在一个递增数列α0=0,α1,α2,…,αk,1使得对每个j∈{0,1,2,…,k},当αj≤α≤αj+1时,该模型在相同的顶点取得最优解.     

含缺省约束的基于模型诊断方法

目前已有的诊断系统一般都默认有完备而可靠的模型，但在实际中常无法实现．因此，在目前已知的对待诊断设备的可靠描述之外．提出了可加入假设性的信息作为对无法完备模型的补充．并且这些假设采用了从规范缺省理论中的规则转化而成的公式的形式．进一步给出了在加入这些假设后的情况下，含缺省约束的基于模型的诊断、中心诊断、蕴含、蕴含式及本原蕴含等概念，证明了含缺省约束的基于模型的中心诊断与缺省本原蕴含的直接关系．并指出这种刻画即为含缺省约束的基于一致性中心诊断和中心溯因诊断的刻画的一般化情形．从而将理论与实现联系了起来。     

Kernel model-based diagnosis

The methods for computing the kemel consistency-based diagnoses and the kernel abductive diagnoses are only suited for the situation where part of the fault behavioral modes of the components are known. The characterization of the kernel model-based diagnosis based on the general causal theory is proposed, which can break through the limitation of the above methods when all behavioral modes of each component are known. Using this method, when observation subsets deduced logically are respectively assigned to the empty or the whole observation set, the kernel consistency-based diagnoses and the kernel abductive diagnoses can deal with all situations. The direct relationship between this diagnostic procedure and the prime implicants/implicates is proved, thus linking theoretical result with implementation.     

基于小波的支持向量机算法研究

基于小波对偶框架和支持向量核函数的条件,提出了一种支持向量小波核函数.该核函数利用小波的多尺度插值特性和稀疏变化特性,不仅提高了模型的精度和迭代的收敛速度,而且还适用于信号的局部分析、信噪分离和突变信号的检测,从而在提高支持向量机(SVM)泛化能力的同时,提高了辨识效果和减少了计算量.基于该核函数和正则化理论提出的最小二乘小波支持向量机用于非线性系统辨识,对SINC函数的逼近,该小波核得到的均方根误差不足高斯径向基核的1/12,对logistic混沌序列预测的均方根误差不超过8×10-6,同时实验表明,预测的长度对预测均方根误差没有显著影响,这表明小波核SVM具有更好的泛化能力.     

基于核主成分分析的热轧带钢头部拉窄分析

将核主成分分析方法引入热轧生产过程的监控与诊断中,根据平方预测误差统计量进行生产过程监控,然后利用数据重构和优化的邻域选取策略相结合的方法求出各工艺参数对平方预测误差统计量的作用,分析引起过程异常的主要工艺参数,最后利用仿真和热轧带钢实际生产数据进行实验.结果表明:基于核主成分分析的平方预测误差统计量能较准确诊断过程的异常,并可以找出引起异常的原因,为调整生产过程提供方法支撑,防止次品的出现.     

Nonlinear fault diagnosis method based on kernel principal component analysis

To ensure the system run under working order, detection and diagnosis of faults play an important role in industrial process. This paper proposed a nonlinear fault diagnosis method based on kernel principal component analysis (KPCA). In proposed method, using essential information of nonlinear system extracted by KPCA, we constructed KPCA model of nonlinear system under normal working condition. Then new data were projected onto the KPCA model. When new data are incompatible with the KPCA model,it can be concluded that the nonlinear system is out of normal working condition. Proposed method was applied to fault diagnosis on rolling bearings. Simulation results show proposed method provides an effective method for fault detection and diagnosis of nonlinear system.     

基于小波基的SVM多气体融合

为了提高气体传感器在多气体环境下的检测灵敏度,基于小波对偶框架和支持向量核函数的条件,提出了一种支持向量小波核函数.该核函数具备小波的多尺度插值特性和稀疏变化特性,提高了模型的精度和迭代的收敛速度,适用于信号的局部分析、信噪分离和突变信号的检测,从而能在提高支持向量机(SVM:Support Vector Machine)泛化能力的同时,提高辨识效果,减少计算量.基于该核函数和正则化理论提出的最小二乘小波支持向量机用于非线性系统辨识,对sin c函数的逼近.该小波核得到的绝对误差不超过0.004;在多气体分析中,比RBF(Radial Base Function)核所得的偏差小18.3%.这些表明SVM小波核具有更好的泛化能力.     

利用傅立叶变换筛选核函数的方法

分析了支持向量机理论中核函数与傅立叶变换的关系,证明了基于傅立叶变换的核函数在一定条件下必定满足Mercer条件.在这些结论的基础上,提出了利用傅立叶变换筛选核函数的方法,并给出具体的实例.     

粒度支持向量机学习模型

粒度支持向量机(Granular Support Vector Machine,GSVM)是以粒度计算理论和统计学习理论为基础的一种新的机器学习模型,它可以有效地克服传统支持向量机(Support Vector Machine,SVM)对于大规模数据集训练效率低下的问题,同时也可获得较好的泛化性能.文章针对原空间的GSVM模型进行了分析,提出了核空间的GSVM学习模型,在标准数据集上的实验说明了文中提出模型的有效性.     

基于动态核聚类分析的水轮机组故障模式识别

根据水轮机组振动故障与振动征兆之间复杂的非线性关系，总结了适用于水轮发电机组振动故障诊断的频谱特征表和振动部位幅值特征表；针对C-均值聚类易产生误分类问题，提出基于动态核聚类分析的水轮机组故障模式分类方法；对振动信号频率、振动信号幅值特征、振动部位进行分析，获得振动频谱征兆隶属度值，在此基础上，建立了基于故障分层的水轮机组运行状态自动诊断模型．工程应用实例表明：该模型的诊断效率是可行的，诊断结果具有较高的可信度．