基于高分辨雷达的运动目标参数估计方法研究

根据运动目标的频域回波的特点，深入研究了一种具有多项式相位结构的运动目标回波仿真模型，并提出了基于该模型的多特征参数提取方法。该方法基于匹配傅立叶变换理论，依据频域雷达目标回波特征构造匹配函数，对目标回波数据进行匹配傅立叶变换，变换结果的主瓣坐标反映了目标散射点的距离及速度信息。大量的仿真实验结果证明，该方法十分有利于进行运动目标的特征提取。根据对仿真结果的分析，进一步给出了改进算法，使得在较低信噪比情况下也能够有效的检测出目标上的散射点的距离与速度参数。     

一种新的混合聚类算法

聚类是数据挖掘的主要技术之一,是一种无导师监督的模式识别方式。聚类分析就是按照数据间的相似程度,依据特定的准则将数据划分成不同子类。K-平均算法是经典的聚类算法。蚂蚁聚类算法是近来涌现的新的聚类算法,它通过模拟蚁群的智能行为进行聚类分析,已经在数据挖掘中得到应用。通过分析蚂蚁聚类算法和K-平均算法两种不同聚类算法的基本思想,将两种算法结合得到混合聚类算法,仿真实验证明混合聚类算法的算法性能优于蚂蚁算法和K-平均算法。     

基于在线聚类的机器人自适应模糊建模

针对机器人这种具有时变、强耦合和不确定性的复杂非线性被控对象,提出一种基于在线聚类的模糊自适应方法用于机器人系统建模。建模过程中采用在线聚类算法辨识机器人T-S模型的前提参数,采用递推最小二乘算法(RLSE)辨识结论参数,根据过程中新的数据信息,模糊规则可以自动增加、修改和删除,实现了模型结构和参数的在线辨识和更新,而且该方法具有模型结构简单、建模速度快、精度高等优点。最后通过二自由度机器人仿真研究证明了该方法的有效性和优越性。     

基于混沌社会演化算法的文本聚类新方法

用K均值算法进行文本聚类通常只能以局部最优结束,很难找到全局最优.文章提出了一种基于混沌社会演化算法的文本聚类新方法.在该方法中提出了认知主体在聚类中对范式继承的方式,在认知主体对范式的背叛中提出一种混沌变异算子.实验证明该方法不但能有效地提高文本聚类的效率而且能有效地提高文本聚类的精度.     

点簇聚合的目标顶点的优化

研究了点簇聚合的目标顶点位置的计算问题。当计算过程中得到的目标顶点不在小单元之内,或者虽然在小单元之内,但目标顶点的位置不能唯一确定时,则将求解目标顶点的问题转化为求解带约束的二次优化问题。此二次优化问题的解既能保证目标顶点位于小单元之内,在位置上又最接近该点簇的重心。实验结果表明,该算法的时间效率类似于Lindstrom的算法,但在简化质量上要优于后者。     

基于最邻近聚类和向量模糊c-均值的混沌预测

针对混沌时间序列难预测的问题,提出一种新的基于最邻近聚类和向量模糊c-均值(FCMV)聚类算法的模糊建模方法。其前提参数辨识分两步,首先用最近邻聚类法初始划分输入空间,得到规则数及初始聚类中心,再用FCMV把具有相同收敛向量的聚类中心归到同一个区域来优化前一步得到的聚类中心,得到前提参数;采用递推最小二乘算法辨识模型的结论参数。最后通过对Mackey-Glass混沌时间序列的建模和预测验证了该方法的有效性与实用性。     

一种基于模糊规则的模糊辩识方法

提出了一种基于模糊聚类和最小二乘估计方法的模糊辨识方法。该方法是基于模糊聚类,计算给定样本在各类中的隶属度,并给出输入变量的隶属度函数。利用递推最小二乘估计辩识模糊模型的后件参数,本文给出了详细的的算法。为了验证该方法的有效性,本文给出了Ｂｏｘ－Ｊｅｎｈｉｎｓ数据的辨识结果。     

基于数据加权策略的模糊C均值聚类算法

针对模糊C均值(fuzzy C means, FCM)聚类算法没有考虑噪声样本点和样本数据的分布特征对聚类结果影响的不足,利用数据加权策略对FCM聚类算法进行改进。改进后的算法通过计算各样本点的密度值,将初始聚类中心限制在高密度样本点区域,并把样本点的密度值作为该点的权值,对聚类中心进行调整,突出高密度样本点在聚类中心调整中的影响力,从而达到提高聚类效果的目的。人造数据集和加州大学欧文分校(University of California Irvine, UCI)真实数据集的实验结果表明,在不提高时间复杂度的同时,与FCM算法相比,基于数据加权策略的FCM算法聚类的准确率更高。     

混沌现象中的定点研究

混沌现象是一种普遍存在的复杂的运动形式,在混沌区似乎没有稳定的状态,事实上仍然存在着一些稳定点;但这些稳定点是暂稳点。对混沌现象中的定点进行了详细的讨论,并分析了这些定点的稳定性。