基于层次分析法的冲击地压模糊综合评价

针对煤岩冲击地压存在非线性、模糊性以及不确定性、评价指标繁多而复杂的问题,提出基于层次分析法多指标模糊综合评价冲击地压的方法。通过层次分析法分析各指标的前兆特征与冲击地压联系程度,从声发射、红外辐射、煤岩性质三方面确定煤岩冲击地压模糊综合评价指标及权重,运用模糊综合评价所得评价结果来表征冲击地压危险等级,并通过实验模拟矿区冲击地压发生过程,结果表明综合评价结果与实验结果较为吻合,验证所建立模型的准确性。     

基于极速学习的Choquet模糊积分分类器

在交互环境下,模糊积分分类器具有良好的分类性能.如何确定在属性集幂集上定义的模糊测度是模糊积分分类器中的一个关键问题.当属性的个数增加时,计算复杂度呈指数级增长.为了解决这一问题,借鉴极速学习机算法中权重向量随机确定的思想,提出了ELM-Choquet模糊积分分类器.实验结果表明,和Choquet模糊积分分类器相比,该算法具有较优的分类性能.     

非线性干扰观测器补偿的四旋翼飞行器模糊滑模控制

分析四旋翼飞行器的飞行原理,建立旋翼桨叶受力条件下的四旋翼动力学模型.提出非线性干扰观测器补偿的模糊滑模控制算法,解决欠驱动子系统的不易控制及传统滑模控制的抖振问题,估计扰动值,降低扰动带来的影响.仿真结果表明,提出的非线性干扰观测器补偿的模糊滑模控制算法可补偿未知扰动,能使四旋翼飞行器稳定飞行.     

基于模糊聚类和支持向量回归的成绩预测

现有的成绩预测模型往往过度使用不同类型的属性,导致过于复杂的分数预测方法,或是需要人工参与.为提高学生成绩预测的准确率和可解释性,提出了一种融合模糊聚类和支持向量回归的成绩预测方法.首先引入模糊逻辑来计算隶属度矩阵,根据学生的历史成绩进行聚类,随后对每个聚类簇利用支持向量回归理论对成绩轨迹进行拟合建模.此外,结合学生学习行为等相关属性,对最终的预测结果做调整.在多个基准数据集上进行了实验测试,验证了该方法的有效性.     

基于模糊逻辑四元数的平方根UKF算法

针对目标跟踪估计算法中,利用传感器离散观测建模并估计目标连续状态,进行导航解算时滤波精度低,及传统四元数扩展卡尔曼滤波算法无法满足目标姿态测量精度要求等问题,文中提出一种基于模糊逻辑四元数的平方根UKF姿态估计算法.该算法将四元数作为模糊逻辑UKF滤波器状态,应用测量的角速率完成滤波器的时间更新及量测更新,采用模糊逻辑的平方根协方差形式作为更新参数,既降低了算法的计算量和复杂度,又保证了数值的稳定性.文中还以近地卫星为例,在Matlab和C++软件上进行了仿真实验.实验结果表明:文中所提算法可保证对机器人和特征的姿态控制估计精度;可对目标实时跟踪定位并进行量测更新,抑制了姿态误差发散问题.     

深度学习源代码缺陷检测方法

针对由于传统的源代码缺陷分析技术依赖于分析人员的对安全问题的认识以及长期经验积累造成的缺陷检测误报率、漏报率较高的问题,提出了一种深度学习算法源代码缺陷检测方法.该方法根据深度学习算法,利用程序源代码的抽象语法树、数据流特征,通过训练源代码缺陷分类器完成源代码缺陷检测工作.其依据的关键理论是应用深度学习算法及自然语言处理中的词嵌套算法学习源代码抽象语法树和数据流中蕴含的深层次语义特征和语法特征,提出了应用于源代码缺陷检测的深度学习一般框架.使用公开数据集SARD对提出的方法进行验证,研究结果表明该方法在代码缺陷检测的准确率、召回率、误报率和漏报率方面均优于现有的检测方法.      

基于Harris角点与SIFT的快速图像匹配算法

针对基于局部特征的图像匹配算法,当图像发生较大的旋转变化时此算法会发生匹配率下降的问题,并且随着时间、场景、遮挡、光线的变化,图像的特征会发生模糊变化,这将严重影响匹配率,因此提出了一种基于Harris角点与SIFT的快速图像匹配算法,该算法用Harris检测图像的角点,在角点邻域内筛选SIFT特征点,并且利用高斯圆形窗口对筛选过的特征点建立低维描述子.该算法不仅具备了Harris算法的高稳定性而且兼顾了SIFT算法对于旋转变化较大的图像也有着高匹配率的特性.仿真结果表明,与SIFT算法相比,本文提出的算法不仅匹配速度快,而且在图像发生模糊变化、旋转变化的情况下可得到高匹配率.     

三角模糊层次分析法在教师绩效评价体系的应用

指标及其权重是评价体系构建的核心之处。权重的合理确定需要对指标进行定性和定量综合分析。本文提出基于模糊层次分析法上,利用三角模糊数表示同层各指标两两重要性程度的比较,建立三角模糊数互补判断矩阵,并进行一致性检验,从而确定指标权重。与传统的权重确定方法相比,将定性和定量相结合,避免了决策者的主观性和局限性。最后将其运用于某高校教师绩效评价体系中,为师资队伍建设提供决策及导向作用。     

基于模糊聚类的并行推荐算法

为提高传统协同过滤算法在个性化推荐系统中的大数据处理能力,研究了一种基于模糊聚类的并行推荐算法。在Hadoop平台下首先通过PCA降维和FCM聚类对用户物品评分矩阵进行预处理,采用皮尔逊相关系数计算用户间的相似度,通过得到的聚类簇集合构建最近邻集合,生成基本预测评分。最后实现算法的并行化处理并得到推荐结果。实验结果表明,与基于PCA降维的协同过滤和单机式传统协同过滤算法相比,该算法提高了推荐的准确性和实时性。