归纳式学习中连续型数据的区间划分问题

主要研究的是归纳式学习中连续型样本数据的分组问题 .在归纳式学习方法中 ,对样本数据的不同分组会直接影响到所生成的反映变量间相互关系的规则 ,从而影响到对新样本的识别效果 .特别是对样本数据为连续型的数据的分组问题 ,目前尚未得到很好的解决 .本文在类相关离散化方法的基础上 ,提出了用极大熵法进行初始区间划分 ,用多因素优选法调整区间的边界 ,二阶概率统计检验与实际意义相结合进行区间合并的一整套划分区间的方法 ,并用本文建立的新方法体系对中国宏观经济的某些指标间的相互关系进行了分析 ,取得了良好的效果.     

Dynamic weighted voting for multiple classifier fusion:a generalized rough set method

1 .INTRODUCTIONMultiple classifier fusion or combination has prov-enitself a powerful tool for achieving high classifi-cation accuracy with moderately discri minatingclassifiers .If only output class labels are availablethe voting fusion[1]is often used as a decisionlevelfusion. However ,the main drawback of the votingfusion is that all classifiers are considered equallyreliable and this maylead to a confident decisiontobe changed by a less reliable classifier . A possibleway of overcomin…     

在线铸坯质量判定的Fuzzy综合集成算法与实现

以连铸坯的质量判定为背景,根据Ｆｕｚｙ语言场的新概念,提出了一种Ｆｕｚｙ综合集成算法,在此基础上建立起铸坯质量在线判定模型,并在实际中得到应用．     

基于模糊有色Petri网的不确定性学习和推理方法

模糊Petri网模型可以用于模糊推理,但在Petri网中不得不用独立子网表示所有类型的过程,即使这些过程具有相同的行为,这导致整个Petri网变得很大.文中提出基于模糊有色Petri网的不确定性推理方法和基于遗传算法的学习过程.在减少网络规模,计算时间和克服解释网络困难的同时,它能保持等量的信息,提供结构化的表示,使知识库中的规则之间的关系易于表示.     

Reconstruction of sampling in shift-invariant space using generalized inverse

A method that attempts to recover signal using generalized inverse theory is presented to obtain a good approximation of the signal in reconstruction space from its generalized samples.The proposed approaches differ with the assumptions on reconstruction space. If the reconstruction space satisfies one-to-one relationship between the samples and the reconstruction model,then we propose a method, which achieves consistent signal reconstruction. At the same time, when the number of samples is more than the number of reconstruction functions, the minimalnorm reconstruction signal can be obtained. Finally, it is demonstrated that the minimal-norm reconstruction can outperform consistent signal reconstruction in both theory and simulations for the problem.     

多型异构数据下关联变权空间多属性决策方法

针对当前空间多属性决策方法对空间特性的考虑不足,提出一种综合考虑多型异构性、空间复杂关联性以及空间动态性的空间多属性决策新方法.首先,定义了多型异构数据的D-U空间映射法则,提出了一种使多型异构数据能在空间中得以同构化的方法.其次,考虑空间复杂关联性及动态性,构造了2可加模糊测度下的广义Banzhaf关联变权及关联状态变权.然后,为客观确定关联属性的重要程度,建立了基于2可加模糊测度的广义Banzhaf Choquet逼近理想解优化模型,在此基础上融合关联属性信息实现备选方案的排序优选.最后,将所建模型用于干热岩勘探选区决策案例中,验证了方法的可行性,对比分析证明了方法的有效性及优越性.     

Wang-Mendel模糊模型控制规则的提取及应用

针对如何利用系统的模糊模型设计模糊控制器,提出以系统的模糊规则库为基础,提取模糊规则中的信息获得控制规则的方法。以钢铁工业中连续退火炉的加热炉为对象进行了仿真,首先提取描述对象输入-输出映射关系的模糊规则组成完备规则库,并以此为基础提取控制规则补偿输出偏差。仿真结果表明能够达到期望的效果。     

基于动态因果结构推断的SVAR模型识别:算法和仿真

给定任一满足递归结构假设的SVAR模型,存在一个与其是相同数据生成过程的线性动态因果结构模型,且SVAR模型系数矩阵与动态因果结构之间存在特定的对应关系,故同期变量间因果结构推断可以为SVAR模型提供正确的识别条件.同时还证明同期变量与滞后变量间动态因果结构推断能为同期变量间因果结构的正确推断提供有用信息.据此,在PC算法基础上,构建了动态因果结构推断的具体算法,将基于同期变量因果结构推断的SVAR模型识别拓展到基于动态因果结构推断,从而使SVAR模型得以完全识别的情形得到有效拓展,并给出了该方法下SVAR模型识别的充要条件,这些结论均得到了Monte Carlo仿真结果的有力支持.     

Generalization-based discovery of spatial association rules with linguistic cloud models

Extraction of interesting and general spatial association rules from large spatial databases is an important task in the development of spatial database systems. In this paper, we investigate the generalization-based knowledge discovery mechanism that integrates attribute-oriented induction on nonspatial data and spatial merging and generalization on spatial data. Furthermore, we present linguistic cloud models for knowledge representation and uncertainty handling to enhance current generalization-based method. With these models, spatial and nonspatial attribute values are well generalized at higher-concept levels, allowing discovery of strong spatial association rules. Combining the cloud model based generalization method with Apriori algorithm for mining association rules from a spatial database shows the benefits in effectiveness and flexibility.     

Mining of the quantitative association rules with standard SQL queries and its evaluation

1 .INTRODUCTIONWiththewideapplicationofdatabasetechniquesanddatabasemanagementsystem ,datastorageindatabasehassharplyincreased .Thedataminingisjusttodiscovereffective ,novel,potentiallyvaluableknowledgefromthesedata .Associationruleisanim portantmeansinda…     

关于智能故障诊断的研究

把模糊技术与判别分析法结合起来 ,对于故障诊断样本 ,建立广义诊断矩阵 ,给出了关于智能故障诊断的新方法。该方法是选取多元统计分析中的马氏距离 ,依据概率分布的原则对故障征兆进行判别 ,并通过仿真模拟 ,显示其可行性及有效性     

上海股市日内波动性与成交量之间引导关系的实证分析

采用上海股市 2 0 0 1年 1月 2日至 2 0 0 1年 6月 2 9日期间的每 5分钟交易数据 ,用引导关系检验法对上海股市日内波动性与成交量变动率的关系进行了实证分析 ,结果表明 ,它们之间存在双向线性引导关系 ,这意味着可以利用成交量变动率的线性模型来预测日内波动性 ;但它们之间不存在非线性引导关系 ,这意味着在预测上海股市日内波动性时 ,不能得出支持非线性预测模型的结论 .     

THE RELATIONSHIPS OF THREE ELEMENTARY CELLULAR AUTOMATA

Limit language complexity of cellular automata which is first posed by S. Wolfram has become a new branch of cellular automata. In this paper, we obtain two interesting relationships between elementary cellular automata of rules 126, 146（182） and 18, and prove that if the limit language of rule. 18 is not regular, nor are the limit languages of rules 126 and 146（182）.     

网络协同跟踪下广义分布式航迹关联方法

针对协同网络下的多目标跟踪问题,提出了一种广义分布式航迹关联算法。首先对序贯航迹关联准则进行分析,构造了广义分布式航迹全配对似然函数以及航迹关联统计量;在此基础上,建立广义航迹关联的数学模型,从而将分布式航迹关联转化为多维分配问题;然后利用改进免疫算法来寻求最理想的航迹关联。在航迹关联过程中,先利用chi方分布的假设检验来排除明显不相关的关联组合,再通过计算免疫抗体的适应值来确定多节点航迹间的关联关系;最后利用航迹关联评价指标对所提出的方法进行评估。仿真结果显示,该方法在密集目标环境下具有较好的关联稳定性,与序贯航迹关联方法相比,关联效果得到明显改善。     

基于DINs和PSO的组织行动过程选择方法

有效的行动过程是组织成功完成使命的关键.提出了使用动态影响网对行动过程问题进行建模的方法, 通过引入因果强度参数, 替代贝叶斯网络中的条件概率表, 缓解模型在知识获取方面的瓶颈问题, 给出了利用因果强度参数进行概率传播的具体计算方法; 并用粒子群优化算法对模型进行优化求解. 最后结合一个联合作战的想定, 验证了方法可行性和有效性.     

支持路径分析的仿真因果追溯分析方法

通过因果追溯分析对仿真结果作出因果解释是仿真非常重要的一个环节.为了支持因果分析,首先提出扩展事件图,以重构仿真中发生的事件以及事件之间的因果关系;然后根据对图模型的概率参数,分析最可能作用路径和最主要作用路径,以获取更多的知识;最后以一个导弹攻防对抗仿真为例,对以上方法进行了必要的验证.     

基于分离BDD的通用多阶段任务系统可靠性分析

静态的通用多阶段任务系统的不完全覆盖、跨阶段依赖性极大地增加系统可靠性分析的复杂性和难度.基于SEA思想给出两级分离的组合方法将任务和阶段的不完全覆盖分割, 通过新增的阶段代数规则和向后阶段依赖运算式处理跨阶段依赖性,并且充分利用高效的多阶段系统双值决策图,实现模型规模和运算的简化.最后,通过案例分析, 将此分离BDD方法与三值决策图和多状态双值决策图对比, 验证其精确、高效和模块化的优点.     

链系统

建模是分析和解决控制问题的一个重要环节。集中控制方法要求建立集中型的模型。分散控制策略则提出在集中模型上迭加测量信息分散的经验知识。利用结构信息分散的特性是另一种途径。本文认为,受控系统中诸测量变量从及它们之间的因果关系构成一个整体,但这不是一个笼统的整体,而是有主次之分的。主要的关系决定了系统的结构模式,它也是一种有用的经验知识。利用因果分析的结果,抓住主要关系,文中给出了因果链、链结构和链能达性的概念,让因果分析贯穿建模过程,使最终的模型显含主要的因果关系,从而得到以子系统级模型表征的新的分散型模型。此模型把人工知识与     

Concise representations for association rules in multi-level datasets

Association rule mining plays an important role in knowledge and information discovery. Often for a dataset, a huge number of rules can be extracted, but many of them are redundant, especially in the case of multi-level datasets. Mining non-redundant rules is a promising approach to solve this problem. However, existing work (Pasquier et al. 2005, Xu & Li 2007) is only focused on single level datasets. In this paper, we firstly present a definition for redundancy and a concise representation called Reliable basis for representing non-redundant association rules, then we propose an extension to the previous work that can remove hierarchically redundant rules from multi-level datasets. We also show that the resulting concise representation of non-redundant association rules is lossless since all association rules can be derived from the representation. Experiments show that our extension can effectively generate multilevel non-redundant rules.