基于属性值变化的动态覆盖系统中近似集增量算法

在实际应用中,属性值的改变会导致覆盖信息系统中某一个覆盖发生变化,此时使用非增量的方法计算集合的上下近似集的时间开销较大。因此,针对属性值变化产生的动态覆盖信息系统,提出基于矩阵的增量方法计算集合的上下近似集。首先,给出增量的方法计算动态覆盖的两种特征矩阵。然后,基于给定的两种特征矩阵分别给出计算集合上下近似集的增量算法,通过实例说明了算法的计算过程。最后,通过仿真实验验证了本文所提算法的有效性。     

多值依赖模式上Armstrong关系的构造算法

在关系数据库理论中,恰满足给定函数依赖集或多值依赖集及其闭包的关系被称为Armstrong关系。在多值依赖模式中,首先讨论了一类特殊的属性子集———闭属性集,即与其闭包相等的属性子集,并讨论了闭属性集与多值依赖基之间的关系。在计算出多值依赖模式上全部闭属性集及其依赖基的前提下,给出了一个Armstrong关系的构造算法,弥补了前人在构造算法方面的不足。     

实化外连接视图的增量计算

针对实化外连接视图的增量维护问题,提出了利用独立计算表达式计算辅助增量的算法。该方法利用外连接运算的连接析取范式,为各个析取项建立独立计算表达式,然后利用多个独立表达式之间的公共子表达式来计算实化外连接视图的辅助增量。该方法对实化外连接SPOJ（select project outer join) 视图定义没有其他的限制条件,试验结果表明,与相同条件的算法比较起来,该算法有效地降低了计算代价。     

输入受限的β增量型模型算法控制

在β增量型广义预测控制算法和输入受限解决方案的基础上,提出一种输入受限的β增量型模型算法控制算法.该算法通过在指标函数中引入适当加权多项式来解决输入受限,并通过在输入受限的增量型模型算法控制的控制增量前乘以β因子来提高系统稳定性.理论分析和仿真实验都表明,当模型无失配时,该算法可以通过调整β来确保闭环系统的稳定性;在满足一定条件的失配情况下,该算法具有良好的鲁棒稳定性.     

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。     

引入目标灰度信息的多假设跟踪方法

在传统的多假设跟踪(MHT)算法中,航迹置信度函数仅利用了目标的位置信息。对于红外搜索与跟踪(IRST)系统中的目标跟踪,还有目标灰度信息可以利用,因此在IRST系统的MHT算法中加入目标的灰度信息来重新构造航迹置信度函数和航迹启动条件,增强了算法抑制虚警的能力。通过跟踪5个高机动目标的仿真过程,对算法性能进行了检验,仿真结果表明,新的算法可以减少航迹数目、减少系统计算时间,并使算法具有更强的抑制噪声的能力。     

不平衡数据下基于SVM增量学习的指挥信息系统状态监控方法

针对指挥信息系统历史状态样本有限的特点,基于支持向量机(support vector machines, SVM)设计了一种面向不平衡数据的SVM增量学习方法。针对系统正常/异常状态样本不平衡的情况,首先利用支持向量生成一部分新样本,然后通过分带的思想逐带产生分布更加均匀的新样本以调节原样本集的不平衡比。针对系统监控实时性要求高且在运行过程中会有新样本不断加入的特点,采用增量学习的方式对分类模型进行持续更新,在放松KKT(Karush-Kuhn-Tucker)更新触发条件的基础上,通过定义样本重要度并引入保留率和遗忘率的方式减少了增量学习过程中所需训练的样本数量。为了验证算法的有效性和优越性,实验部分在真实系统中获得的数据集以及UCI数据集中3类6组不平衡数据集中与现有的算法进行了对比。结果表明,所提算法能够有效实现对不平衡数据的增量学习,从而满足指挥信息系统状态监控的需求。     

基于改进PSO算法的实时故障监测诊断测试集优化

针对基于相关性模型的复杂系统实时故障诊断问题,引入一种改进的多目标离散粒子群优化算法对测试集进行优化选择,以提高诊断系统效率,降低测试成本。基于现有粒子群优化算法,将粒子速度更新和位置更新的意义与测试选择相联系,提出了新的速度和位置更新公式;针对测试集故障检测数、故障隔离数、测试个数及成本等多个指标,分别设计了故障监测测试集和诊断测试集的多目标适应度函数,并给出最优解的多目标更新方法。仿真结果表明：改进算法收敛速度快,计算精度高,可为实时监测诊断系统测试集优化选择提供有效指导。     

一种有效估计着陆引导信号多径时延的方法

利用导航信号收发已知且具有周期性的特点,提出了一种对着陆引导信号多径时延进行有效估计的方法。该方法首先计算相关函数,而后对相关函数进行二次微分,对时延值进行初步估计。最后通过直线拟合算法和比例拟合算法提高估计精度。通过计算机仿真,验证了算法的有效性。该算法具有在低采样率的条件下,估计精度高的特点。     

基于核岭回归的非线性系统辨识及其应用

利用满足Mercer条件的核函数改进线性岭回归算法,提出一种新的直接优化的非线性核岭回归算法.与SVM算法相比,该方法的特点是通过对二次损失函数的优化计算,简化了不确定参数的数量,而且由于采用直接优化计算,能有效减少建模的时间,提高计算效率.仿真实验结果和对航煤干点的软测量应用结果都验证了该算法的有效性.     

考虑价格限制与差价合约的发电容量投资分析

论文针对差价合约电力市场，在考虑价格上下限条件下构建期权博弈模型，探讨寡头发电商的容量投资策略；然后运用数值仿真方法，考察不同差价合约和 价格上限条件下的发电容量投资阈值和最优容量选择，并在此基础上，基于发电机组负荷率和电力市场勒拉指数讨论有效差价合约.研究表明：1）差价合约电量比重较少时，差价合约电价对投资策略几乎没影响，而差价合约电价较高时，随差价合约电量比重的递增，投资阈值和最优容量会出 现跳跃式下降；2）存在“既能保障有效的电力供给，又能确保实现较高市场效率”的有效差价合约.     

混合自回归滑动平均模型———MARMA

提出一类新的用于非线性时间序列建模的混合自回归滑动平均模型(Mixture autoregressive movingaverage model简记MARMA).该模型条件分布富于变化的特点使得它能够描述非对称、多峰、以及条件异方差等非Gauss特征.研究得到了MARMA模型的平稳性条件和自相关函数.利用BIC(Bayes informationcriterion)准则来选择模型.运用EM(expectation maximization)算法估计模型的参数.将MARMA模型应用于一组金融数据,并和其它模型做比较.结果表明MARMA模型能够更准确地描述该数据的特征.     

基于FDN的装备体系任务能力依赖性分析

为了深入分析装备体系内各装备系统在任务执行过程中自身性能退化对其相互依赖性的影响, 并准确把握体系内各装备系统在自身性能退化和相互依赖性的双重影响下其当前效能的演变规律, 对传统功能依赖网络分析(functional dependency network analysis, FDNA)方法进行了一定改进。引入自身效能退化系数, 给出考虑时间因素的动态FDNA算法; 以Markov过程为基础, 构建体系内装备系统的性能退化模型, 为自身效能退化系数的计算提供相应依据, 从而提出一种基于功能依赖网络的装备体系任务能力依赖性分析方法, 并用案例验证了方法的可行性。     

异方差混合双自回归模型-HMDAR

研究了异方差混合双自回归模型(Heteroscedastic mixture double-autoregressive model,HMDAR)。给出了HMDAR模型的平稳性条件。利用ECM(Expectation conditional maximization)算法估计模型的参数,运用BIC(Bayes information criterion)准则选择模型.HMDAR模型分布形式的灵活性使得它能够对具有非对称或多峰分布的序列进行建模。将该模型应用于几个模拟和实际数据集均得到了较为满意的结果。特别是对于波动较大的序列,HMDAR模型能比其它模型更好的捕捉到数据序列的特征。     

一种基于新的条件信息量的属性约简算法

为了获得决策系统中更好的相对约简,讨论了属性约简与条件信息量的关系,提出了新的条件信息量,由此定义新的属性重要性。统一了一致决策表和不一致决策表属性约简方法,以新的属性重要性为启发信息,给出了计算新的条件信息量的高效算法。理论分析和实验结果表明,与现有的基于条件信息量的约简算法相比,该算法时间复杂度较低,同时约简后的属性数目更少。     

基于功能依赖网的体系效能评估方法

建设与发展有效的装备体系需要依赖合理的效能评估方法。诸多评估方法在复杂依赖关系的量化分析上存在不足,因此引入功能依赖网络分析(functional dependency network analysis, FDNA)法,通过双依赖参数、分段线性模型等捕捉体系复杂依赖关系及其造成的级联效应。进而立足FDNA方法的优点,突破其局限性,提出基于作战环的功能依赖网络建模规范,通过链路健康指数、综合依赖关键度、多系统冗余表决系统等调整、新增、完善效能聚合模型,形成可捕捉和反映更广泛作战场景的扩展FDNA(extended FDNA, E-FDNA)方法。以海上防空反导体系为例,通过与现有FDNA系列方法以及复杂网络方法在体系效能值、关键系统识别等方面的对比分析,验证了E-FDNA方法的可行性和有效性,为装备体系的效能评估提供了新方法。     

不完全覆盖的多层次系统可靠性分析

多层次系统（HS）的层次特征有助于故障覆盖．模块化不完全覆盖模型（MIPCM）阐明了HS的部件或模块跨层次的依赖性，依赖性大大增加了分析方法的复杂度．基于MIPCM，提出向上的模块化不完全覆盖模型（UMIPCM），更加清楚地阐明了层次与依赖性的对应关系．利用UMIPCM，借鉴SEA算法的思想，提出针对HS和MIPCM的自上而下的分离算法，这是一种高效的和集成的算法．最后通过案例说明了该分离算法的应用价值．     

基于条件概率选择更新的SCMA系统译码方案

稀疏码分多址(sparse code multiple access, SCMA)是针对第5代移动通信系统提出的一种新型非正交多址方案,其接收端采用的消息传递算法(message passing algorithm, MPA)在迭代更新过程中存在冗余计算,因而复杂度过高。针对这一问题,首先利用蒙特卡罗法对接收信号的条件概率密度函数值进行统计分析,发现随着信噪比的变化,条件概率密度函数值呈现一定的统计规律。然后,根据统计结果,提出基于条件概率选择更新的MPA(conditional probability selection update MPA, CPSU-MPA)。该算法选取一定比重的条件概率密度函数值进行更新,同时对未参与更新的外部信息进行舍弃补偿。仿真结果表明,所提算法能有效地降低译码复杂度,且误码率性能牺牲较小。     

条件线性状态空间模型Rao-Blackwellized卷积滤波算法

针对条件线性高斯状态空间模型,提出一种新的状态滤波方法,称为Rao-Blackwellized卷积滤波（Rao-Blackwellized convolution filtering, RBCF）算法,算法用卷积滤波器（convolution filter, CF）估计模型中的非线性状态,用卡尔曼滤波器 （Kalman filter, KF）估计线性状态;与Rao-Blackwellized粒子滤波器（Rao-Blackwellized particle filter, RBPF）相比,算法使用了基于核函数的CF,提高了在小噪声条件下的估计精度。RBCF滤波算法应用于机动目标跟踪的仿真结果表明：在小噪声条件下,RBCF的估计精度明显高于RBPF,其对位置和速度估计的均方根误差比RBPF低一个数量级以上。而且随着噪声进一步的减小,这种优势将更加明显。