基于多分类器动态集成的电信客户流失预测

本文提出了一种新的基于多分类器动态选择与优化集成的电信客户流失预测集成模型.首先使用K均值聚类算法对训练集样本进行分区;然后分别使用Naive-Bayes算法、多层感知机算法和J48算法构建各分区客户流失预测子分类器;最后对各分区子分类器进行线性集成,并使用人工蜂群算法优化其集成权重.当测试样本由聚类算法判断出其归属区域后,再分别使用分区子分类器进行预测,最后使用优化权重进行线性集成.实验结果表明:动态集成模型优于单模型;基于人工蜂群算法优化集成模型优于其它集成模型.     

基于差分演化的改进多目标粒子群优化算法

提出一种基于差分演化的改进多目标粒子群优化算法来求解多目标优化问题。算法通过对Pareto最优解集的差分演化来增加Pareto解集的多样挫;通过循环拥挤距离采控制归档集中非劣解的分布．提高对种群空间的均匀采样;采用一种新的多目标适应值轮盘睹法选择粒子的全局最优位置,使其更逼近Pareto最优前沿;自适应惯性权重和加速度...     

基于自适应聚类流形学习的增量样本降维与识别

为了解决局部线性嵌入(locally linear embedding, LLE)流形学习算法无法自适应确定重构区间和不能进行增量学习等问题,提出了一种自适应聚类增量LLE(clustering adaptively incremental LLE,C-LLE)目标识别算法。该算法通过建立高维非线性样本集的局部线性结构聚类模型,对聚类后的类内样本采用线性重构,解决了LLE算法样本重构邻域无法自适应确定的问题;通过构建降维矩阵,解决了LLE算法无法单独对增量进行降维和无法利用增量对目标进行识别的问题。实验表明,本文算法能够准确提取高维样本集的低维流形结构,具有较小的增量降维误差和良好的目标识别性能。     

机载雷达三维空时降维自适应处理

基于机载雷达空时三维自适应处理,提出了一种空时可分离的降维自适应算法。该算法首先利用三个低维（俯仰、方位和时域）权矢量的直积近似表示最优权矢量，然后基于循环迭代的思想依次固定其中两个权矢量，并由此构造相应的降维变换矩阵,在低维空间上优化另一个权矢量。理论分析和实验仿真结果表明，所提算法能有效降低系统计算量和对训练样本的需求，在小样本情况下具有较好的杂波抑制性能和较强的误差稳健性。     

集成学习的多分类器动态融合方法研究

AdaBoost集成学习方法中,分类器一经学习成功,其投票权值就已确定,同一分类器对所有待测样本均有相同的投票权值。对于难于分类样本,具有良好分类性能的少数分类器权值却较低。提出适用于集成学习方法的权重自适应调整多分类器集成算法。根据多分类器行为信息,产生待测样本局部分类精度的有效判定区域,基于有效判定区域选择不同的分类器组合,并调整其相应权重,利用样本集上的统计信息来动态指导分类集成判决。实验结果表明,该算法提高了集成分类性能。     

LIC纹理的GPU生成及边缘检测后优化处理

对基于GPU GLSL的LIC算法实现的完整框架进行了明确、详细描述,提出了矢量场--纹理颜色分区映射的方法,充分利用顶点处理器和GPU顶点颜色插值的优势,将离散计算矢量场转换为连续的纹理数据场,并给出了LIC算法实现的相关核心片元程序,对基于GPU的LIC与传统方法的性能进行了对比;提出了基于GPU的边缘检测的LIC纹理后优化处理方法,采用冷暖光照模型进行处理,取得了较好的可视化效果.     

基于OI-AGCD的含旋转部件目标ISAR成像

旋转部件(如直升机的螺旋桨)严重影响逆合成孔径雷达(inverse synthetic aperture radar, ISAR)的成像特性,基于优化初值选择的自适应高斯包络线性调频基分解(optimized initial-adaptive Gaussian chirplet decomposition,OI-AGCD)设计了一种自适应旋转部件回波分离算法。建立了含旋转部件目标步进频率雷达ISAR成像模型,分析了旋转部件与目标主体回波特性差别。基于距离多普勒成像理论、主体和旋转部件回波在高斯基上投影的差异,设计了基于OI-AGCD的旋转部件回波分离算法。仿真数据验证结果表明了该算法去除旋转部件回波的可行性,含旋转部件类目标ISAR成像质量得到了有效提高。     

不均匀大气结构中的电磁环境仿真研究

采用三维矢量抛物方程方法建立了电磁环境仿真模型,提出了基于旋转波阵面处理不规则地表边界条件的算法,简化了边界处理过程;为了计算脉冲电波传播场,采用傅里叶变换方法用脉冲包络代替单频电波,提出了近似系数求解多频点反复计算的方法;通过Kriging算法对地形高程进行插值,分析了脉冲电波在不均匀大气结构中的传播特征;最后通过数值仿真说明了模型的正确性。     

基于自适应网格的多目标粒子群优化算法

针对现有多目标进化算法计算复杂度高,搜索效率低等缺点,提出了基于自适应网格的多目标粒子群优化(AGA-MOPSO)算法,其特点包括:评估非劣解集中粒子密度估计信息的自适应网格算法;能够平衡全局和局部搜索能力的基于AGA的Pareto最优解搜索技术;删除非劣解集集中品质差的多余粒子以维持非劣解集在一定规模的基于AGA的非劣解集截断技术.仿真计算表明,和文献中典型的多目标进化算法比较,AGA-MOPSO算法在求解复杂大规模优化问题方面表现了良好的性能.     

基于神经网络的仿真优化算法设计

为降低传统仿真优化方法所需的仿真次数,从而缩短仿真优化时间,提出了基于广义回归神经网络(generalized regression neural network,GRNN)的仿真优化算法设计。首先,利用仿真生成一定数量的样本集,利用GRNN进行训练,得到初始回归曲面,并在该曲面上利用模式搜索算法找出全部可能的局部极小,由于可能会找到一些假局部极小点——噪声点,设计了剔除噪声点的方法,得到全部局部极小;在各局部极小点周围增补少量仿真样本,再次利用GRNN进行训练,得到新的回归曲面。重复增补样本,直到得到仿真优化的最优解。实例表明,所提方法能够有效降低所需样本的数量,实现仿真优化问题的求解。     

基于ROSAR的高分辨波数域成像算法

旋转式合成孔径雷达(rotor synthetic aperture radar,ROSAR)是一种新型成像雷达,在高分辨条件下,距离徙动对ROSAR成像结果影响严重。波数域成像算法利用插值操作实现距离徙动的精确校正,但由于ROSAR复杂的斜距历程,导致传统波数处理获得的二维波数谱形式复杂,难以进行插值操作。针对这一问题,提出了一种改进ROSAR波数域成像算法。重新构建角度维波数,通过求解隐函数获得易于插值操作的信号二维波数域表达式,设计参考函数消除高频调制影响,最终通过Stolt插值实现宽波束大场景下距离徙动无近似校正与精确聚焦。仿真实验验证了算法的可行性与有效性。     

A control algorithm for rapid movements near the radius compensation singularity in five-axis end milling

When the five-axis CNC system executes the 3D cutter radius compensation function, the angle between two adjacent radius compensation vectors might become very large and the linear axes would move too fast if the tool orientation vector is close to the surface normal. The reason that results in this phenomenon is analyzed based on building the transmission relationship between the cutter contact point and the cutter location point. By taking the square-end tool as an example, an optimization algorithm to control the undesired movements is advanced. For the singular area where sudden change exists, the number of interpolation cycles is determined by the cutter feedrate, the limit speeds of machine axes and the maximum allowable angle between radius compensation vectors of adjacent NC blocks. The radius compensation vector of each interpolation cycle is obtained by a kind of vector rotation method. By maintaining the perpendicularity between the radius compensationvector and the tool orientation vector, the rapid movements of the linear axes are eliminated. A trial-cut experiment is performed to verify the correctness and the effectiveness of the proposed algorithm.     

信息不完全确定的PROMETHEE方法及应用

提出一种信息不完全确定的PROMETHEE方法,该方法根据偏好指数和优序关系,利用决策者对训练集的排序和准则权系数的不完全确定信息等构建非线性规划模型,然后将非线性规划模型转换成线性规划模型,求解线性规划,得到训练集中方案在各准则值的偏好函数值和准则权系数,通过线性插值或样条插值得到决策方案在各准则值的偏好函数值,进而得到方案集中每一方案的偏好指数,按优序关系进行排序,得到方案集的一个部分或整体排序,最后实例说明该方法的有效性和可行性。     

Local spatial properties based image interpolation scheme using SVMs

Image interpolation plays an important role in image process applications. A novel support vector machines （SVMs） based interpolation scheme is proposed with increasing the local spatial properties in the source image as SVMs input patterns. After the proper neighbor pixels region is selected, trained support vectors are obtained by training SVMs with local spatial properties that include the average of the neighbor pixels gray values and the gray value variations between neighbor pixels in the selected region. The support vector regression machines are employed to estimate the gray values of unknown pixels with the neighbor pixels and local spatial properties information. Some interpolation experiments show that the proposed scheme is superior to the linear, cubic, neural network and other SVMs based interpolation approaches.     

具有二次函数的多准则层次分类方法

提出了一种集成函数是二次函数且有训练集的多准则层次分类决策方法。该方法利用决策者对训练集的分类结果(属于最高分类和不属于最高分类)构建非线性规划模型,然后采用一系列处理方法将非线性规划模型转换成线性规划模型,求解线性规划,得到训练集中各方案准则值的偏好值和相应参数,通过线性插值或样条插值得到方案在各准则下的偏好值,并计算方案集中方案的与该分类一致性指标值和与低于该分类一致性指标值的差,以确定方案是否属于该分类,然后对不属于最高分类的训练集中的方案进行分类,并构建模型。继续上述过程,直到方案集中所有方案均进行分类为止。最后实例说明该方法的有效性和可行性。     

基于改进IBFV的矢量场剖面纹理可视化

通过分析经典IBFV方法可视化效果差的原因,提出改进方法:在IBFV过程中使用相关性较高的背景纹理图像。该背景纹理使用GLSL由GPU加速的多重线积分卷积生成。研究了将三维矢量场投影到二维图像空间的方法;利用GPU的顶点颜色插值功能,将离散矢量场转换为连续的纹理数据场,以便于使用GPU完成线积分卷积运算。在算法实现过程中,研究各参数对显示结果的影响,找出合适的取值。通过以上分析和研究,相比于IBFV改进的算法的可视化效果将得到显著提高。     

基于LWSVR的繁忙机场航班滑出时间预测

针对繁忙机场航班滑出时间预测准确率低的问题,结合局部回归和加权支持向量回归,提出基于局部加权支持向量回归的离港航班滑出时间预测模型。该模型采用K最近邻方法,减小训练样本集容量,并为每个预测样本构建一个预测模型。通过计算训练样本与预测样本间的马氏距离,来优化加权支持向量回归中高斯核加权函数的带宽参数,获得加权系数。结合某机场离港航班数据仿真分析,实验结果表明模型在误差允许范围内的预测准确率达到83.33%,模型更加稳定。     

信息不完全确定的模糊多准则UTA方法

针对准则权系数信息不完全确定和准则值为模糊数且有训练集的多准则决策问题,提出了一种模糊多准则UTA方法。该方法在考虑对训练集排序的基础上,结合不完全确定的准则权系数信息和训练集中各方案的模糊准则值的效用建立非线性模糊规划模型,并将其转化为模糊线性规划模型,求解得出准则权系数、训练集中各方案准则值的模糊效用值,利用插值求出方案的准则值的模糊效用,进而得到整个方案集的排序。最后实例说明该方法的有效性和可行性。     

Support vector classification algorithm based on variable parameter linear programming

To solve the problems of SVM in dealing with large sample size and asymmetric distributed samples, a support vector classification algorithm based on variable parameter linear programming is proposed. In the proposed algorithm, linear programming is employed to solve the optimization problem of classification to decrease the computation time and to reduce its complexity when compared with the original model. The adjusted punishment parameter greatly reduced the classification error resulting from asymmetric distributed samples and the detailed procedure of the proposed algorithm is given. An experiment is conducted to verify whether the proposed algorithm is suitable for asymmetric distributed samples.     

基于局部冲突消除的证据合成法则

Dempster-Shafer(D-S)证据理论在信息融合领域得到了广泛的应用。为抑制Dempster证据合成规则产生的有悖常理的证据合成结果,提出了一种基于局部冲突消除的证据合成法则。首先,通过一种基于Vague集和逐层递推算法的证据冲突衡量方法计算了证据之间的冲突程度;进而根据距离法思想对高冲突证据进行局部冲突“中和”;最后,利用Dempster证据合成法则对已预处理的证据进行信息融合。算例结果验证了此种法则的有效性。