一种改进的粗集综合评价方法

基于区分矩阵的粗集综合评价方法由于存在对评价对象的反复比较,因此影响了求解指标约简及权重的效率.利用区分矩阵的变形———广义信息表提出的一种改进的粗集综合评价方法,能够减少对对象的重复比较,更快地进行指标约简和权重设置.此外,通过将该方法应用于政府效率评估来验证了方法的可行性和有效性.     

基于视觉的水面背景下目标检测与跟踪算法

为解决清漂船在复杂水面背景下对漂浮物体积较小或被遮挡的检测与跟踪问题,提出了一种基于视觉的水面背景下目标检测与跟踪算法,通过利用YOLO改进的多粒度特征融合方法使得模型在最终检测时所提取的特征向量考虑更多底层的特征,并引入K邻域搜索感兴趣区域模块,与长短期记忆神经网络(LSTM) 相结合,弥补了卷积神经网络的时序关联性差的缺陷,根据目标当前帧语义特征和运动特征预测下一帧中目标所在位置,能够更快的提取目标的特征,并且有效的去除复杂背景的干扰。实验结果表明：该算法的跟踪平均成功率、平均准确率和平均速度分别为57.1%、71.1%、45.4fps。较好解决因被检测目标过小的问题,提升在跟踪目标被遮挡的情况下的跟踪性能。     

一种遥感影像混合噪声二阶去除方法

遥感影像去噪对于影像后续的使用和研究具有重要意义。高斯噪声与椒盐噪声是影像中常见的噪声,目前的去噪算法对于这类混合噪声普遍存在去噪效果不佳、去噪后影像边缘模糊等缺点。针对以上问题,本文提出了一种遥感影像混合噪声二阶去除方法。该方法第一阶段是在DnCNN网络框架的基础上引入扩张卷积来增加网络的感受野,便于在遥感影像中提取更多的特征信息;同时在深卷积层后引入DropoutLayer层构建降噪模型,以防止网络出现过拟合,简化训练难度,然后使用该模型对影像进行初步降噪。为进一步提高初步降噪结果的影像质量,有效去除混合噪声中的椒盐噪声,保留更多的影像边缘细节及纹理特征,该方法第二阶段是在自适应中值滤波的基础上采用最近邻域像素加权中值替换原滤波窗口中值,对初步降噪结果进行二次处理,得到遥感影像混合噪声最终去噪结果。为验证算法的可行性和有效性,本文进行了遥感影像去噪实验及去噪影像边缘检测实验。分析实验结果,无论从主观视觉还是客观评价指标上进行对比,本文提出的方法对于遥感影像混合噪声去噪效果优于传统去噪方法,并且能够较好的保留影像边缘细节及纹理特征,获得更清晰的影像结果。     

第十四届中国Rough集与软计算学术会议、第八届中国Web智能学术研讨会及第八届中国粒计算学术研讨会联合学术会议(CRSSC-CWI-CGrC2014)

<正>由中国人工智能学会粗糙集与软计算专业委员会和中国计算机学会人工智能与模式识别专业委员会主办、昆明理工大学承办的"第十四届中国Rough集与软计算学术会议、第八届中国Web智能学术研讨会及第八届中国粒计算联合会议"将于2014年8月8日至8月10日在云南省昆明市昆明理工大学召开。Rough集理论自1982年由波兰数学家Zdzislaw Pawlak教授提出以来,其理论模型得到不断完善和发     

基于局部邻域标准化策略的多工况过程故障检测

为满足实际工业过程中的生产需求,复杂的化工过程往往会包含多种运行模态,而且过程数据不再单一地服从高斯分布或非高斯分布.过程数据的多工况分布特性以及同一工况下数据分布的不确定性使得传统的多元统计方法无法得到满意结果.针对复杂化工过程中多工况以及复杂数据分布的问题,提出一种基于局部邻域标准化策略(Local Neighborhood Standardization,LNS)的故障检测方法.首先,运用局部邻域标准化策略对历史数据集进行预处理,并充分考虑到邻域密度,再通过局部密度因子(Local Density Factor,LDF)构造监控统计量,进而对工业过程数据进行在线故障检测,最后通过数值例子和Tennessee Eastman(TE)过程验证本文方法的有效性.     

决策粗糙集的一种新分类区域及相关比较分析

分类区域是粗糙集理论进行属性约简的重要基础, 量化扩张分类区域则是一个科研重点. 本文主要针对决策粗糙集, 在二分类层面提出一种新的分类区域, 并进行与两类常用分类区域的比较分析. 首先, 采用集合区域自然地提出了二分类决策粗糙集的新分类区域; 其次, 对两类常用决策粗糙集分类区域进行了退化研究; 进而, 对三种分类区域进行了比较分析, 得到了新分类区域的优势; 最后, 用具体实例进行了详细说明. 特别地, 对比于变精度粗糙集与贝叶斯粗糙集, 本文还分析了三种决策粗糙集分类区域扩大分类正域的机理. 本文构建的分类区域, 具有对于经典Pawlak分类区域的扩张性, 更加紧密地联系了集合区域的基础结构, 呈现出对于已有分类区域的改进性.     

基于MIV-BP网络与粗糙集的边坡敏感性分析

结合BP神经网络与MIV算法,提出一种新的边坡稳定性影响因素敏感性分析方法.运用MATLAB程序对边坡的稳定性的影响因素进行敏感性分析,通过对选取的48个边坡工程实例进行神经网络模型的有效验证.并在MIV-BP网络分析的基础上,将其主要因素采用FCM算法离散属性数据,将边坡稳定性影响因素敏感性转化为粗糙集理论中属性重要性问题,综合分析结果表明:各因素对边坡稳定性的敏感性由大到小依次为内摩擦角、凝聚力、容重、边坡角、边坡高度、孔隙水压力比.     

基于VPRS的车险高利润客户的特征挖掘

车险是保险公司的主要业务，能否发现车险高利润客户，并为其提供个性化服务已经成为保险公司是否取得竞争优势的关键。论文在分析可变精度粗糙集模型(VPRS)的基础上，采用Rosetta软件对海量的车险客户数据进行挖掘，挖出了高利润客户的特征。     

基于RS的GMDH神经网络在空袭目标识别中的应用

针对目标属性识别的特点,建立了基于粗糙集(Rough Sets, RS)的数据分组处理(Group Method of Data Handling, GMDH)神经网络分类模型.该模型较好地解决了采用高维数据集训练神经网络效率低,神经网络结构规模较大的问题.同时为了提高高维数据集合的属性约简效率,改进了集合近似质量属性约简算法.最后,通过与BP(Back-Propagation, BP)神经网络分类能力的仿真对比,结果表明,基于粗糙集的数据分组处理神经网络分类模型分类能力优于BP神经网络模型,满足现代防空作战对目标属性识别的需求,基于快速求核和集合近似质量的属性约简算法快速有效.