CBR和RBR的无人机自主空战战术决策

针对空战中无人作战飞机战术决策自主化问题,提出了基于案例推理（CBR）和规则推理(RBR)的战术决策方法。在剖析战术决策案例特征的基础上,设计了一种基于框架结构的案例表示方法,并引入结构相似度和云模型理论,以改进传统的最近邻检索算法。最后,利用基于案例推理和规则推理设计的战术决策GUI界面,能够快速地从库中检索出与当前空战态势最匹配的战术决策源案例,证明了该方法具有较好的有效性。     

一种对于K-means算法的改进

数据聚类是一个功能强大的技术,它能够把数据特征相似的对象划分为一类,但是并不是所有的聚类算法的实现都能产生相同的聚类结果;并且K均值算法的结果很大程度上依赖它的初始中心的选择;提出了一种新颖的关于K均值初始中心选择的策略;该算法是基于反向最近邻(RNN)搜索,检索一个给定的数据集,其最近的邻居是一个给定的查询点中的所有点;使用这种方法计算初始聚类中心结果发现是非常接近聚类算法所需的迭代聚类中心;对提出的算法应用到K均值聚类中给予了证明;用几种流行的数据集的实验结果表明了该算法的优点。     

基于云平台的案例检索技术研究

针对大数据处理需求提出基于云平台的案例检索算法.利用MapReduce技术改进了案例检索算法中常用的最近邻法,使其能够在多个服务器节点上并行执行,从而提高在海量数据情形下的案例检索速度.实验表明:基于云平台的案例检索速度高于单节点检索,集群节点的数量对案例检索有一定的影响.     

应急辅助决策中案例表示与检索方法研究

针对突发事件发生后如何进行应急决策的问题,基于应急案例的层次结构提出了应急案例的XML表示方法,解决了异构应急案例的统一表示问题.在案例检索算法中,设计了一种基于结构相似度和属性相似度的双重案例检索算法,有效克服了传统最近邻算法中由于案例属性值缺失而无法进行案例相似性计算的缺陷.台风领域案例检索算法应用过程的实例说明了...     

基于改进实例推理的话务故障诊断专家系统

传统的K最近邻算法(KNN)算法可以解决话务分析专家系统中的求解问题,但KNN算法的不足在于K值的确定与执行效率,因此改进K值选取与加权方法,对提高算法运行效率与准确性具有重要意义.本文提出了一种改进K值选取方法及依托频率的权重计算方法,用于实例检索,并采用改进后的实例推理,构建了话务故障专家系统.实验结果表明,改进算法在实例匹配准确性与执行效度上,均优于传统方法.     

煤矿突发事件的CBR预测

针对煤矿突发事件的特点,对一起瓦斯实例对案例的原始文本信息进行了规范化与知识化,基于数据库技术构建了案例库,提出了基于模板检索与最近邻法相结合的案例检索策略,并作了新的改善,最后提出了基于粗糙集理论的案例库优化方法.将案例推理应用于煤矿突发事件的预测决策中,具有一定的实际意义.     

基于高斯核函数的局部离群点检测算法

随着信息技术的快速发展,数据资源的结构越来越复杂,离群点挖掘受到越来越多人关注.基于高斯核函数,考虑数据对象的k个最近邻居,反向k近邻居和共享最近邻居三种邻居关系,估计数据对象的密度,提出了一种基于高斯核函数的局部离群点检测算法.该算法通过KNN图存储每个数据对象的最近邻,包括k最近邻,反向k近邻和共享最近邻,构成数据对象的邻居集合S;通过核密度估计KDE方法估计数据对象的密度;通过相对密度离群因子RDOF来估计数据对象偏离邻域的程度,进而判定数据对象是否为离群点,并在真实和合成的数据集上证明了该算法的有效性.     

无索引空间数据库的基于最优点的集合最近邻查找算法

针对度量空间中的无索引空间数据库,提出一种基于最优点的集合最近邻查找算法及其改进算法.采用真实数据集与人工生成的数据集对算法进行测试,评估所提出算法的效率.实验结果表明,所提算法的效率优于组最近邻居查询算法,并且对于高维数据空间,所提出的算法有较高的稳定性.由于查询区域中数据点的数量比较少,改进的基于最优点的集合最近邻...     

基于距离的相似最近邻搜索算法研究

为了提高相似最近邻搜索（ANN）算法的精度,提出了一种在度量空间下基于距离的相似最近邻搜索算法-优化的VP森林（OVF）算法。在传统VP树（VT）算法的基础上,首先采用改进的选择优势点的方法,通过从数据集采样优势点候选集,对其进行评估,选取其中区分度大的点作为优势点;然后提出构建多棵VP树的新方法,改进距离优势点远的子树中最近邻不紧凑问题;接着提出使用优先队列与剪枝搜索方法结合的新搜索方法查找最近邻,减少了很多不必要的距离计算。最后通过实验结果表明,本文方法在数据维度、数据集大小、返回不同邻居个数、不同的距离函数及建树个数方面精度有了很大的提高。     

一种基于改进最近邻算法的忠诚度预测方法

为了提高忠诚度预测的准确度和效率,该文将K最近邻(K nearest neighbor,KNN)算法和贝叶斯算法相结合作为分类预测策略,提出一种基于改进最近邻算法的忠诚度预测方法。该方法先将高忠诚客户和低忠诚客户当作同一忠诚度类别,即同属于忠诚客户类别,利用贝叶斯算法对数据集进行初步分类,获得非忠诚客户和忠诚客户,再将忠诚客户作为下一步KNN算法的测试数据,对其做进一步分类,得到高忠诚客户、低忠诚客户和非忠诚客户。实验结果表明,该方法不仅能够降低K值即选择多少个邻居对最近邻算法的影响,减少其内存开销,而且能够有效缩短忠诚度分类的时间以及提高忠诚度分类的准确度。     

基于案例推理的股价操纵行为判别系统研究

自中国股票交易市场成立以来,各种各样的股价操纵行为层出不穷。本文就如何对股价操纵行为进行判别做了研究,设计了一个基于案例推理的股价操纵行为判别系统。利用1996~2009年间在中国股市中被公开披露和查处的股价操纵案构建案例库,在前人研究的基础上从价量和风险两个角度提取了股票的若干市场交易属性作为判别指标,并通过二值Logistic回归分析确立了指标属性的权重,随后采用K最近邻法作为案例检索算法,依据指标属性的特征同时确立了属性相似度的计算方法,并利用SQL语言对核心算法在数据库中进行了程序实现。同时,通过设计“阈值控制法”来维护案例库,确保了案例库中知识的代表性并能有效降低信息冗余度。基于案例推理的股价操纵行为判别系统能够绕过“知识获取”这个难题,克服基于规则的推理系统的一些弱点,为今后股价操纵行为的判别研究提供了一个新的方向。     

CBR系统中案例检索优化方案的设计

案例检索是基于案例推理系统的关键环节,检索方法的优劣直接影响案例检索的效率和案例匹配的准确度.针对传统案例检索方法中存在的不足,提出了一种基于二次检索策略和改进的欧式距离算法的案例检索优化方案,并通过算例证明了该方案的有效性.研究成果有助于提高案例检索的效率和质量,同时具有较好的分辨率.该方案尤其适用于数值型案例的检索.     

冷轧建模中基于粗糙集和神经网络的案例检索

针对一般基于案例属性相似度的案例检索方法在实际应用时存在相似性度量的定义等难点而无法保证两效、准确检索的问题。提出了一种新的案例检索方法。根据粗糙集理论对冷轧负荷分配决策表进行简约以及从简约的决策表数据中发现规则，在此基础上利用发现的规则建立隐层节点数更合理的神经网络模型。以此神经网络模型实现相似案例检索，经在线实验证明，应用该方法可实现快速高效的案例检索。提高了整体智能推理建模的效率和质量。     

基于最近邻居聚类的协同过滤推荐算法

随着推荐系统用户数量和服务项目增多,可扩展性问题成为推荐算法应用的瓶颈.目前,大部分推荐算法以及基于这些算法的改进主要集中在推荐质量上,随着系统规模扩大,暴露出实时推荐效率降低和运行耗时的缺点.针对这些问题,提出了一种基于最近邻聚类的协同过滤推荐算法.首先,该算法采用二分k-means算法把评分相似的用户划分到相同的类中,以此建立用户聚类模型.然后,从聚类模型中挑选出目标用户的最近邻居类作为检索空间.最后,从检索空间中搜索目标用户的最近邻居,由最近邻居的信息产生最终的推荐列表.实验结果表明,该算法在保持较高的推荐质量的同时可以显著提高推荐系统的效率,比传统的协同过滤算法可扩展性强.     

不确定时间序列数据库中概率K最近邻查找

为了对不确定时间序列上的概率K进行最近邻查找,该文从降维和索引剪枝两方面进行了研究。针对不确定时间序列的高维度性和不确定性两方面的复杂性,基于点对线性近似降维方法,提出了关于安全剪枝、最近邻概率计算以及最近邻概率上限计算的3个定理,用以提高查找效率。在此基础上,给出了不确定时间序列概率K最近邻查找算法,解决了高维度不确定时间序列查找中的维灾问题,具有较高的查找效率。实验结果验证了算法的有效性和效率。     

一种基于聚类的支持向量机增量学习算法

提出了一种基于聚类的支持向量机增量学习算法.先用最近邻聚类算法将训练集分成具有若干个聚类子集,每一子集用支持向量机进行训练得出支持向量集;对于新增数据首先聚类到相应的子集,然后计算其与聚类集内的支持向量之间的距离,给每个训练样本赋以适当的权重;而后再建立预估模型.此算法通过钢材力学性能预报建模的工业实例研究,结果表明:与标准的支持向量回归算法相比,此算法在建模过程中不仅支持向量个数明显减少,而且模型的精度也有所提高.     

基于案例和规则的混合推理机制及其应用

提出一种基于案例和规则的混合推理机制求解产品概念设计方案.通过案例匹配方式寻求方案设计结果,在相似度达不到要求的情况下转入规则推理进行修正设计.针对案例推理中案例检索的准确度和效率低下等问题,采用粗糙集理论对产品已有的案例库进行处理,得到案例特征属性的真实权重,提高了案例检索准确度;运用层次聚类和K-means聚类相结合的混合聚类算法对案例库中的案例进行聚类并形成索引,提高了案例检索效率.通过摩托车概念设计应用实例验证了该文方法的可行性和有效性.     

山区小流域洪水预报实时校正研究

为了解决现有实时校正方法对山区小流域洪水进行校正能力不足的问题,引入K最近邻算法用于洪水预报实时校正。以安徽省沙埠流域为试验流域,构建基于K最近邻算法的实时校正模型,同时采用BP神经网络实时校正法和传统的误差自回归方法,以洪峰相对误差和确定性系数为评价指标,分析各校正模型的校正结果。结果表明:基于K最近邻的实时校正法对确定性系数改善最优,BP神经网络实时校正法对洪峰误差校正更精确;将历史洪水资料纳入学习样本后,基于K最近邻的实时校正法的校正能力将进一步提升。基于K最近邻的实时校正法能够有效避免误差自回归方法对洪峰误差控制较差的缺陷,适应性强,反应灵敏,精确度高,可作为山区小流域洪水预报实时校正的有效工具。     

基于最近邻居优化选取方法的协同过滤推荐算法

针对传统的协同过滤推荐算法推荐精度低和数据稀疏的问题,提出基于最近邻居优化选取方法的协同过滤推荐算法.首先,提出一种用户可用度计算模型,根据其他用户对目标用户的可用度计算结果,选取最近邻居候选集.然后,提出一种用户信任度计算模型,计算目标用户对最近邻居候选集中用户的信任度,进而选取目标用户的最近邻居.最后,根据最近邻居的评分情况,得到目标用户的推荐.实验结果表明,该算法提高了推荐精度,而且有效地改善了不同稀疏程度数据上的推荐效果.     

基于极速学习机和最近邻的回归推荐算法

提出了一种基于极速学习机和最近邻的协同过滤回归推荐算法.该算法首先采用k最近邻法对评分矩阵的缺失值进行填充,然后将极速学习机作为回归器为用户产生推荐.在推荐领域中的标杆数据集上,将该算法与常用推荐算法-LRCF算法进行了比较,验证了该算法的有效性.