应用C++STL实现基于知识规则推理的方法

对基于产生式规则的知识表示与推理,结合面向对象技术,提出一种应用STL的C++语言实现方法。该方法将规则的结构、创建及释放定义成规则类,具体规则定义成对象,依据STL对序列容器中表的定义构造规则表容器和事实表容器,以创建知识库及动态数据库;推理机独立于知识库;类属算法和成员函数的使用,使推理算法易于编程实现;程序通用性好且便于知识更新。在刀具智能选择专家系统中的应用表明,该方法简单、高效、灵活。     

基于遗传算法的变风量空调模糊控制系统的研究

针对变风量空调模糊控制系统控制规则的获取依赖人类经验的问题,提出将遗传算法与模糊控制相结合。在推导适应度值函数的基础上,利用遗传算法获取控制规则,改善控制效果。一定程度上解决了人为调试获取规则困难的问题。仿真结果表明,在变风量空调系统中将遗传算法与模糊控制相结合是可行的。     

基于遗传算法和粗糙集理论的增量式规则获取方法

规则获取的增量式算法是数据挖掘领域的一个热点问题.基于粗糙集理论,从规则获取和优化两方面研究了基于遗传算法的增量式规则挖掘方法,它具有结构简单、搜索效率高、求解速度快等优点.通过研究决策表和决策规则系数,建立基于粗糙集表示和度量的知识,并且将遗传算法和规则挖掘算法相结合,建立了新的优化方法,提出了一种基于遗传算法的增量式规则挖掘的方法.在原有规则集的基础上进行规则和规则参数的增量式更新,避免了为更新规则而重新运行规则获取算法.试验结果表明,执行增量式GA的能够有效地获取最优规则.     

基于模糊Petri网的动态知识表示与推理方法

针对专家系统知识库中的知识具有模糊特性以及知识库需要频繁更新的特点,设计了一种基于模糊Petri网的动态知识表示与推理方法。该方法利用实际环境中的数据,通过学习来调整知识模型的权值、阈值和确信度等参数,从而实现知识库的动态实时更新。此方法同时结合了产生式知识表示方式和神经网络知识表示方式的优点:知识模型结构清晰,参数意义明确;具有学习和并行推理能力。仿真实验结果表明,经过训练调整后的知识模型具有更高的准确度。     

基于混合混沌搜索方法的多层递归模糊神经网络建模

提出了一种多层递归模糊神经网络（MRFNN）,并提出混合混沌搜索方法用于网络学习。该网络融合了T—S模糊模型．在隶属函数层和规则层有局部反馈连接。网络的学习分为结构学习和参数学习两部分。结构学习确定隶属函数层和规则层的节点数;参数学习由混合混沌搜索方法完成,利用混沌搜索优化前件参数。同时利用最小二乘法实现后件系数更新。对非线性系统辨识进行,仿真实验并对连续搅拌釜式反应器系统建模。结果表明：本文方法能够有效捕捉系统的动态特性。所建模型具有良好的精度。     

具动态性能指标的医学系统自组织模糊控制

提出一个具有动态性能指标的完全脱离模型的自组织模糊逻辑控制系统.系统的性能指标由一个随机结构开始,评价规则通过一个基于自增强机制进行在线优化的微遗传算法来产生.算法对非线性麻醉过程中肌肉松弛状态的控制效果进行了验证.通过和标准自组织系统的控制效果比较,该算法的优势体现在因为自学习能力导致的控制鲁棒性上,它能够很好地处理变参数动态系统和大时滞系统的控制问题.在每轮控制中,所提出的算法都以少量模糊控制规则(最多18条)实现了控制要求.     

扩展产生式规则知识表示方法

通过对现有知识表示方法进行分析，指出了产生式规则和概念图表示方法在自然语言理解中存在的问题，提出了扩展产生式规则知识表示方法，并对该规则的推理机制和具体实现进行了讨论．扩展产生式规则表示方法是将产生式规则的前提、结论和处理分别用概念图表示，是一种混合知识表示方法．它既保持了产生式规则的模块性，又揭示了自然语言中的深层次关系，与自然语言形成自然映射。通过分析表明，扩展产生式规则的总体性能要优于传统的产生式规则。并且特别适合于自然语言理解中的知识表示．该规则已应用于网络故障诊断专家系统的自然语言接口设计中．     

基于知识的遗传算法研究

为了提高遗传算法的搜索效率,笔者将遗传算法的迭代过程中产生的数据视为一个信息系统,利用粗糙集可以在没有先验信息的情况下从与问题相关的数据集合中获取知识的能力,对进化过程产生的数据进行知识发现。利用所发现的知识判断被求解问题的类型,确定搜索子空间,指导进化的方向,实现了知识指导下的进化算法。函数优化实验结果表明,该方法能够显著提高遗传算法的搜索效率和寻优精度。     

基于遗传算法和互信息公式结合的特征选择

提出了一种由遗传算法和改进互信息公式相结合的特征选择方法．将遗传算法中的特征评价函数换为改进互信息公式来对特征进行选择,结合了过滤式和封装式这2种特征选择方法的优点．实验部分采用另外2种特征选择算法与本文所提方法分别进行特征选择,将这3种方法所得到的特征子集用于概率神经网络、BP神经网络分类器上,通过比较对应的分类精度,检验各种特征选择方法的效果. 实验结果显示,所提出的特征选择方法能更为有效的实现特征选择,所取得的特征子集具有更好的泛化特性.     

基于遗传优化的图像增强模糊算法

将协同进化遗传算法(CGA)应用于图像增强的模糊算法优化,以优化模糊逻辑处理效果.在CGA算法中,同时优化选择了模糊逻辑规则、最佳隶属度函数和优化了隶属度函数的参数.通过具体图像处理实验,在客观评价上证明了本方案的有效性.     

动态环境下基于微粒群优化算法的数据分类方法研究

动态环境下数据流容易出现概念漂移现象。随着数据的逐渐到达,隐含在数据中的知识在一定程度上会出现改变,当前数据分类方法无法进行动态更新,不适于动态环境下数据的分类。为此,提出一种新的基于微粒群优化算法的数据分类方法,通过K-means方法对动态环境下的数据进行分类。介绍了微粒群优化算法,将所有个体看作d维搜索空间中没有体积的微粒,在搜索空间中以某一速度飞行,该速度可通过其自身及相邻微粒的飞行经验进行动态调整。通过某种规则对新微粒的局部最优值进行更新,利用优化后的微粒群算法实现数据分类。实验结果表明,所提方法分类性能优,实时准确率高。     

基于粒子群算法的不确定动态多目标优化方法研究

当前不确定动态多目标优化方法通常将多目标问题转换成单目标问题,将其它目标看作约束条件,仅可得到单个解,无法有效体现不确定多目标之间的关系,导致得到的解质量低。为此,提出一种新的基于粒子群算法的不确定动态多目标优化方法,给出不确定动态多目标优化问题的数学描述,介绍了粒子群算法,针对粒子群算法容易陷入局部最优的弊端,引入动态变异算子对其进行改进,通过改进的位置更新公式实现粒子群算法位置的自适应更新,给出解决不确定多目标优化问题的详细过程,在此基础上,通过分段线性函数参数化实现不确定动态多目标优化。实验结果表明,所提方法搜索能力强,采用所提方法得到的解与真实解最相近,质量最高。     

基于障碍物可达区域预测的机器人实时避障算法

针对复杂环境下的机器人路径规划与自主避障问题,提出了基于动态障碍物可达区域预测的实时避障算法.对静态障碍物进行描述和建模,建立动态障碍物状态更新预测方程,实现对动态障碍物质心可达区域的预测.分别面向动态、静态障碍物提出基于可达区域预测的多步椭圆包络势场和基于新型Sigmoid函数的势场,修正目标的对数Lyapunov引力场,给出多类型障碍物空间下的机器人实时避障算法.数值仿真和实验结果表明,与传统方法相比实时避障算法可使机器人避障过程中的路径长度更短、安全性更高及最大行驶角变化幅值更小.     

基于属性约简的决策表算法

Rough Set理论通过属性约简和决策规则约简,达到发掘知识并简化知识的目的。本文首先给出了属性重要性的度量方法,然后对条件属性的简化进行了阐述,最后,讨论了一致决策表最小算法的三类优化问题。并通过一个实例证明了这种算法。     

基于遗传算法Fuzzy规则自动获取

为了实现Ｆｕｚｚｙ规则自动获取，进而坑性能智能系统和解决智能系统中的“瓶颈”问题，提出了利用遗传算法自动获取模糊规则的方法。定义了个体评估函数，说明了Ｆｕｚｚｙ规则以及遗传算法的组合优化的能力，计算机模拟结果表明这种方法有效地获取Ｆｕｚｚｙ规则。     

基于神经网络辨识的移动机器人航向误差校准方法

分析了E-Core RD1100干涉型光纤陀螺的误差产生机理, 提出利用RBF神经网络和遗传算法实现光纤陀螺漂移误差模型的辨识. 通过实验获得进化神经网络的训练样本, 在RBF神经网络的训练中, 提出了基于Elitist竞争机制的遗传进化训练方法. RBF神经网络具有很强的局部逼近能力, 而遗传算法具有优良的全局搜索与优化性能, 从而能够有效地对陀螺误差的非线性与时变特征进行建模与辨识. 实验结果表明: 该方法大幅度减少了光纤陀螺的误差, 从而提高了移动机器人导航定位的精度.     

具有周期性双层优化结构的无人机集群航路规划模型

 针对多种威胁条件下的无人机集群航路规划问题,提出了集群控制方法和周期性双层优化算法。以定点抵达任务为背景,将d-范数、冲击函数与反曲函数结合起来,构建了能够实现雷诺兹准则的集群动态控制模型,并采用设计出的周期性双层优化算法求解中心无人机的航路规划问题。通过仿真算例,验证了该模型的实效性和优化算法的可行性,与遗传算法-人工势场混合算法相比,周期性双层优化算法求解效率更高且优化效果更好。     

基于遗传算法和信息熵的文本分类规则抽取方法研究

针对数据挖掘中的文本分类问题,提出了一种基于遗传算法和信息熵的文本分类规则抽取算法Genet-ic-Miner(简称GM),该算法的目标是在数据集中发现分类规则。首先利用信息熵生成初始种群,然后利用优化的遗传算法抽取相应规则。采用六个标准的公共领域的数据集比较了GM与其它两个非常著名的同类算法Ant-Miner和CN2,实验结果表明,无论是预测准确性和规则的简单性,GM都明显优于Ant-Miner和CN2,并且该算法能大大提高对知识的理解力。     

基于自适应遗传算法的网格任务调度优化

针对传统任务调度算法效率较低、资源负载不平衡等缺点,基于遗传算法,考虑现代网格系统异构性和动态性的特点,提出一种有效的交叉概率和变异概率自适应更新方法,提高遗传算法的全局搜索能力和收敛速度.仿真实验表明,改进后的遗传算法在进化速度上有明显提升,可较好地处理网格任务调度问题,提高任务调度效率,降低资源负载的不平衡性.