面向领域的数据驱动自主式知识获取模型及实现

数据挖掘是一个非常有用的工具,通过它能够从大型数据库中发现知识。目前,众多研究者将其主要研究工作放在了数据挖掘的模型与方法等工程技术问题上,对于数据挖掘的一些基础理论问题却研究不足。通过对数据挖掘基本理论的研究,提出了面向领域的数据驱动自主式知识获取模型。并通过一系列数据驱动自主式知识获取算法验证了该模型的有效性。     

基于RBF神经网络的PID整定

针对非线性系统,采用了基于径向基函数（RBF）神经网络的PID整定,用遗传算法优化RBF神经网络,仿真结果表明,基于遗传算法优化的RBF神经网络PID整定收敛速度快,整定效果优于基于梯度下降法优化的RBF神经网络PID整定。     

自主式粒子群优化模型研究

建立了自主式粒子群优化模型,进一步完善了经典粒子群优化算法的学习机制,提高了粒子学习的自主性.在该模型的基础上,针对自主选择共享信息问题,提出了一种学习榜样自主获取的粒子群优化算法,该算法粒子依据自身的内在特征合理地选择学习榜样,充分地利用了进化过程中产生的信息,有效抑制共享信息的流速.对常用单峰多峰基准函数进行了测试,验证了该算法的效率和优越性.     

面向领域的数据驱动自主式知识获取模型及实现

数据挖掘是一个非常有用的工具,通过它能够从大型数据库中发现知识.目前,众多研究者将其主要研究工作放在了数据挖掘的模型与方法等工程技术问题上,对于数据挖掘的一些基础理论问题却研究不足.通过对数据挖掘基本理论的研究,提出了面向领域的数据驱动自主式知识获取模型.并通过一系列数据驱动自主式知识获取算法验证了该模型的有效性.     

自主式粒子群优化模型研究

建立了自主式粒子群优化模型,进一步完善了经典粒子群优化算法的学习机制,提高了粒子学习的自主性。在该模型的基础上,针对自主选择共享信息问题,提出了一种学习榜样自主获取的粒子群优化算法,该算法粒子依据自身的内在特征合理地选择学习榜样,充分地利用了进化过程中产生的信息,有效抑制共享信息的流速。对常用单峰多峰基准函数进行了测试,验证了该算法的效率和优越性。     

基于粒度矩阵的程度多粒度粗糙集粒度约简

多粒度是粗糙集理论中的一种有效的数据处理方法,粒度约简是获取信息系统简洁规则的前提。研究了程度乐(悲)观多粒度粗糙集粒度约简理论,改进了程度粗糙集的下近似定义,提出了程度多粒度粗糙集的粒度矩阵。基于粒度矩阵,研究了程度多粒度粗糙集下近似计算理论和粒度的必要性,提出程度乐观多粒度粗糙集核粒度的定义。针对程度乐(悲)观多粒度粗糙集,提出基于粒度矩阵的粒度约简方法。最后利用实例分析验证了所提粒度约简方法的正确性。     

可变多粒度粗糙集粒度约简研究

为了研究可变多粒度粗糙集的粒度约简,首先,提出一个适合各种多粒度粗糙集模型的粒度矩阵定义,围绕粒度矩阵,研究多粒度粗糙集模型的相关理论.其次,定义衡量粒度重要性的计算公式,通过计算每个粒度的重要性选择粒度,并结合粒度矩阵,设计了可变多粒度粗糙集的下近似分布粒度约简算法.最后通过实例和实验验证了粒度约简算法的有效性.     

GA-BP算法在系统辨识中的应用

本文针对BP算法和遗传算法(GA)在系统辨识应用中的不足,提出了基于GA和BP算法相结合的混合(GA-BP)算法.该算法充分利用了遗传算法和BP算法各自具有的优点,在系统辨识研究中取得了良好的效果.仿真实验表明该混合算法是实用且有效的.     

一种自适应紧凑遗传算法及其仿真研究

首先提出了用联合熵来刻画紧凑遗传算法的多样性方法;在此基础上针对紧凑遗传算法存在的早期收敛,同时提出了基于多样性的自适应紧凑遗传算法。该算法通过种群多样性的变化和每个基因座自身的进化状态来控制概率向量的更新。这种更新策略不仅可以跟踪种群的全局进化状态,同时还可以对基因座自身的进化状态进行局部调整,从而提高了进化中种群的多样性和算法的搜索效率。通过典型函数的测试,仿真结果表明了提出的算法的优越性和有效性。     

一种新型保持种群多样性的遗传算法

针对遗传算法的“早期收敛”或“遗传漂移”，本文提出了一种新型保持群体多样性的遗传算法。该算法利用种群的熵和个体基因座的多样度来测度进化中种群的多样性，并将遗传操作与种群多样性联系起来，建立了遗传操作与种群多样度之间的函数关系式，使遗传算子中的主要参数能够随多样性函数和适应度函数的变化而自适应调整，从而提高了进化中种群的多样性和算法的搜索效率。仿真研究证明了该算法的优越性。