连续量信息表决策值的离散化方法

在用粗糙集理论解决连续系统的问题时，要求信息表必须是离散值．在对由连续量构成的信息表离散化时，首先要对决策属性的值域进行离散化。文中针对这一问题提出了3种确定离散化区间的方法，即经验分割法、等频分割法和等距分割法；又提出了2种求区间离散值的算法，即区间重心法和区间值平均法，并通过算例验证这些算法均是可行的，其中等距分割法中的区间值平均法效果最为满意。     

基于粗糙集理论的病理诊断规则提取算法研究

针对病理诊断规则获取问题,采用基于粗糙集理论的规则提取方法.首先进行连续属性的离散化,用遗传算法对CAIM(class-attribute interdependence maximum)离散化算法进行改进.然后利用粗糙集理论进行规则提取.采用以核为基础的增量式约简算法,综合考虑属性对约简的增益和属性在剩余属性集中的重要性,给出了衡量属性重要性程度的一个准则.随后进行属性值约简,获取诊断规则.     

基于粗集理论的数据离散化技术研究

信息系统连续型属性值的离散化对决策规则或决策树的学习具有非常重要的意义。它能够提高系统对样本的聚类能力，增强系统抗数据噪音的能力，减少机器学习算法的时间和空间开销，提高其学习精度。粗集是有效的数据离散化工具。对基于粗集理论的数据离散化方法进行了深入研究，分析其特征，评述其研究进展，并通过仿真实验研究了几种典型的启发式离散化算法的性能。其结果对发展新的离散化技术或为特定应用选择合适算法都有参考价值。     

基于粗糙集的茶饮料味觉信号识别

把粗糙集理论应用于茶饮料味觉信号分类规则的抽取，采用模糊C-均值聚类算法实现味觉信号的离散化，提出了一种新的规则强度定义。该定义同时考虑了支持规则的对象数和规则的不确定性因子，具有很好的普适性，同时给出一种规则提取算法和用于识别的决策算法，提取算法在获取全部有效规则的条件下．能有效减少核属性内的冗余。     

基于粗集理论的数据离散化技术研究

信息系统连续型属性值的离散化对决策规则或决策树的学习具有非常重要的意义,它能够提高系统对样本的聚类能力,增强系统抗数据噪音的能力,减少机器学习算法的时间和空间开销,提高其学习精度。粗集是有效的数据离散化工具。对基于粗集理论的数据离散化方法进行了深入研究,分析其特征,评述其研究进展,并通过仿真实验研究了几种典型的启发式离散化算法的性能。其结果对发展新的离散化技术或为特定应用选择合适算法都有参考价值。     

连续学习分类系统研究

学习分类系统(LCS)是一个动态感应环境的模拟认知系统,它利用环境反馈评估种群中的分类规则并通过遗传算法对种群进行进化．当环境输入包含连续属性时,经典LCS无法遍历整个状态空间．提出一种新的基于神经网络的连续学习分类系统,并通过实验验证了这种连续学习分类系统能够较准确地进行连续属性离散化,从而提高系统分类精度．     

不确定信息系统的属性离散化模型

连续属性离散化是粗集理论应用于实际问题时的重要环节,一般的离散化方法应用于不确定信息系统的属性离散化时,在数值选择上却存在着依据缺失的突出问题.利用数值态势构成的态势差研究两个集对势之间的差度,并将其结果应用到了连续属性离散化过程中,形成了基于数值态势分析的连续属性离散化的新方法,较好地解决了数值选择不确定问题,并给出实例进行了验证.     

基于粗集理论的数据离散化新算法

连续属性值的离散化一直是机器学习领域中殛待解决的关键问题之一，他对于提高后继学习算法的运行速度、降低算法的实际空间要求和时间消耗、提高学习结果的聚类能力等都具有极其重要的意义。本文首先分析了基于粗集模型的数据离散化方法的特点和基本思路，研究了候选断点重要性的衡量方式，在此基础上提出两种新的从候选集合中最终确定离散化断点的启发式算法。这两种算法考虑并体现了粗集理论的基本特点和优点，选择的断点都能够保证信息系统的分辨关系，并能够取得较理想的离散化结果。     

一种基于粗集的模糊神经网络

提出了基于粗集的模糊神经网络(RSNFN),利用粗集理论从数据样本中获取约简的规则集作为模糊神经网络的规则,使得规则数目减少,克服了当输入维数高时,模糊神经网络模糊规则过多,结构过于庞大的缺点.同时利用遗传算法对连续属性的最优离散化值进行寻优,从而获得最优的网络结构.最后用RSNFN方法对催化裂化装置的轻柴油凝点进行估计,取得了良好的效果.     

连续属性的关联规则挖掘

对具有连续属性的数据进行关联规则挖掘,构造了一种新的编码方式,采用三段式染色体(个体),将连续属性离散化、属性约简和规则提取集成在一起,并将小生境引入到遗传算法中,以避免早熟现象.实验表明,该算法是有效的.     

一类高阶滞后对象的特征建模与控制

针对一类参数未知、高阶有滞后的定常系统的控制问题,提出了在特征建模基础上,用有滞后的二阶时变差分方程来代替实际的对象特性,并给出了分析证明.稳态时,该特征模型与高阶滞后对象的输出保持一致,在动态过程中,动态输出误差保持在一定范围内,从而可以进一步按照特征模型设计控制器.从仿真结果可以看出,系统跟踪误差能保持在一定的范围内,表明了这种基于特征模型的控制方法的有效性和实用性.     

物料配比系统提前量自适应辨识方法的研究

在物料配比系统中提前量辨识精确与否直接影响物料配比系统的配料精度,因此,提高提前量辨识精度是改进物料配比系统配料精度的前提.在分析了利用渐消记忆法进行提前量辨识的基础上,提出了利用Grubbs准则法进行提前量辨识,然后对这2种方法进行理论分析和蒙特卡洛方法计算机仿真.分析结果表明,利用Grubbs准则法进行提前量辨识的均方差远小于渐消记忆法辨识的均方差,并且可以有效剔除偶然误差,进而实现精确称量及提高配料精度.     

基于球面单径容积准则的多雷达分布式再入目标实时跟踪算法

针对多雷达对再入目标的实时跟踪问题,提出一种基于球面单径容积准则的分布式容积卡尔曼滤波算法。首先,利用球面单径容积准则近似计算非线性高斯权重积分,然后由统计线性误差传播方法等价表示滤波过程中的互协方差矩阵;最后通过一致性算法将单雷达容积卡尔曼滤波器所得时间更新结果与邻居雷达间进行信息交互与一致化处理,得到分布式球面单径容积卡尔曼滤波算法。该算法提高了再入弹道目标跟踪精度;无信息融合中心的通信拓扑结构降低了雷达间的通信量与计算量,提高了整个系统的生存能力。数值仿真结果验证了算法的有效性。     

准线性系统的稳定性问题

对于一般系统，初始值由测量取得，因此，不可避免带有误差，这就要求当初始值有微小变化时，其解的变化也应任意小，这就是系统的稳定性问题．在实际问题中所建立的非线性系统模型应该能够在一定的条件下线性化，使得解决问题的方法简单化而不致超过允许误差．本文就这样的系统(即准线性系统)研究其稳定性，从而达到本质地反映系统的非线性性态、     

基于异构多源传感的行人长航时变步长误差修正技术

低成本微机电系统(micro-electro-mechanical system,MEMS)传感器广泛应用于行人定位导航中,但在长航时下,MEMS传感器零位会随时间产生漂移,导致行人变步长误差成为主要误差.且传统的足绑式导航利用MEMS传感器自身信息判断零速时刻会出现错判漏判等问题.针对这两点,根据行人步态变化规律,在判断零速时刻时,加入压力传感器辅助的异构多源传感,同时针对系统误差设计了用于补偿的误差修正算法.对比传统方法,该设计可以明显提高导航定位精度,定位精度可提高一个数量级.     

一种新的熵的提取方法在图像分割中的应用

针对正态云的正向云模型中熵的求法存在着误差大、计算量大的问题,提出了一种基于云理论的“3E”规则的熵的求法．首先将图像灰度信息作出统计,将波峰值作为Ex,再将距离波峰最近的第一个波谷值与波峰之间的距离作为3En最后通过一定规则微调得到符合条件的En.并通过实验将云模型与阈值法分割图像相结合,实验结果证明,该方法不但可以准确计算出己,使误差减少、计算量也较小,并且对图像分割效果好、效率高．     

测量误差理论的信息论诠释

基于信息理论和测量误差有关理论，分析了随机变量信息熵与方差的关系，认为信息熵可以作为测量结果精度的测度；误差传播定律是高斯信源、信道下信息传播的特例．     

模糊自学习误差补偿方法及其在位置误差补偿中的应用

提出了一种新的模糊自学习误差补偿方法，其原理是根据误差及其变化率，利用规则ｆｕｚｚｙ推理，得出误差修正值，按照自学习规律，产生新的误差校正表或校正曲线，应用这种新方法，对开环数控系统位置误差的补偿效果令人满意，此原理可进一步推广应用于其它场合。     

多相流流型识别技术与系统开发

基于油气水多相流混合物在管道内流动时的多传感器信号－－压力和压差信号，建立特定流型的识别规则，采用学习矢量量化模式分类器作为未知流型的分类器，根据数据融合的技术思路获得了油气水多相流的流型在线识别技术。通过系统集成的手段，利用微处理装置研制出了流型识别系统。该识别技术具有置信度高、容错性好、性能稳定、降低了对单个传感器的性能要求等优点。该识别系统结构简单、无运动部件、不改变管道的截面结构，可以处理非快速变化的瞬态流动，测量误差小于10％，并具有连续工作、定时打印、信号输出等功能。     

多关系关联规则挖掘中的隐私保护

分析了经典关联规则挖掘及相关的隐私保护等问题,同时研究了多关系关联规则的刻画和挖掘问题.通过重新定义查询模式,改进了Warmr方法,使查询模式支持“频繁查询模式的子模式也必然是频繁的“这种Apriori特性,进而将其移植到多关系规则的挖掘过程,从而加快规则的挖掘.研究了有针对性的敏感规则的挖掘方法,通过挖掘包含敏感信息的所有频繁查询模式,从中导出所有能够导致信息泄露的敏感规则;为了平衡数据可用性和安全性之间的矛盾,通过隐藏所有敏感规则中公共关系的元组,在保证规则隐藏和数据安全的同时,降低了对数据可用性的影响.