基于数据加权策略的模糊C均值聚类算法

针对模糊C均值(fuzzy C means, FCM)聚类算法没有考虑噪声样本点和样本数据的分布特征对聚类结果影响的不足,利用数据加权策略对FCM聚类算法进行改进。改进后的算法通过计算各样本点的密度值,将初始聚类中心限制在高密度样本点区域,并把样本点的密度值作为该点的权值,对聚类中心进行调整,突出高密度样本点在聚类中心调整中的影响力,从而达到提高聚类效果的目的。人造数据集和加州大学欧文分校(University of California Irvine, UCI)真实数据集的实验结果表明,在不提高时间复杂度的同时,与FCM算法相比,基于数据加权策略的FCM算法聚类的准确率更高。     

一种基于“独立性差”的分类学习新算法

从"独立性差"角度出发,提出了ISE准则下的"独立性差"估计新方法(difference of independence estimation,DOIE).从数学模型上证明该算法与单类SVM等价且可用于解决分类问题.当数据集规模较大时,该算法的优势在于可用较少样本点表示两数据集中样本点间的关系,在保证精度的前提下,提高运算速度.该算法还可应用于两数据集独立性判断、检测流数据分布改变点的位置.若退化为单类数据集,可应用于概率密度估计.Benchmark和UCI数据集上的实验表明,该算法具有较好的性能.     

质点-弹簧模型驱动的体数据模型快速变形模拟

探讨三维体数据模型的快速真实感变形模拟和绘制方法。该方法用离散的质点-弹簧模型具有物理真实感地模拟变形过程；利用FFD从离散质点的运动信息插值求得体数据空间任意点的变形；而将重采样和绘制过程融为一体的光线虚拟弯曲技术和光线提前终止技术则避免了将大量无用计算，使变形和绘制速度明显提高；根据局部变形的连续线性特性提出了光照修正算法，算法实现简单，算出的光照浓淡变化具有高的真实感。     

复杂作用关系过程的区域显著性实验设计及全局建模方法

针对参数与质量特性之间作用关系复杂过程的参数优化,提出一种基于质量特性变化显著程度的序贯设计及全局建模方法. 首先以均匀设计为基础, 将其拆分形成一系列的设计点集和添加点集; 其次利用初始设计点集建立过程的支持向量回归(SVR)模型, 并对建模样本点进行Ward聚类, 由此将可行域划分成若干子区域, 并以各子区域支持向量的比率反映该子区域质量特性变化的显著程度; 而后以欧氏距离为判别依据, 将添加点集中的实验点划分至合适的子区域, 根据"子区域间区别对待, 子区域内均匀分散"的原则, 调整各子区域内添加实验点的数目, 在支持向量率较高的子区域添加较多实验点; 上述步骤迭代进行直至满足终止准则, 再拟合过程最终的SVR模型. 仿真与实证研究表明, 与基于"均匀分散"原则的传统均匀设计和超拉丁方抽样相比, 所提方法的实验设计效率与模型性能均有较大提高: 实验点可以有针对性地集中分布于质量特性变化较为显著的子区域, 模型预测误差降低了29.8%以上, 而且能够以较小的样本量发现过程的多个极值, 得到更优的参数优化结果.     

基于MapReduce的大规模数据集流形学习降维研究

信息技术的快速发展导致了数据规模的爆炸式增长，传统的机器学习、数据挖掘算法面临新的 挑战. 流形学习克服了传统线性降维算法的不足，成为十年来降维研究的热点领域. 然而流形学习 算法复杂度高，对于大规模的数据集并不适用. 针对大规模数据集下的流形学习降维问题，提出了 基于MapReduce 的分布式流形学习算法. 该算法采用局部敏感哈希函数将相似点映射到同一个桶中，利用流形具有局部欧氏同胚的性质，在每个桶内采用欧氏距离度量点之间的测地距离，桶之间采用 中心点及边缘点来计算修正的测地距离. 在大规模的人工合成数据集和真实数据集上的实验表明，该算法能有效地估计数据点间的测地距离，适用于处理大规模数据集的降维问题.     

直喷式柴油机缸内组分的仿真与实验研究

为仿真直喷式柴油发动机缸内燃烧后组分,提出了新的小火焰计算模型。此模型是通过引入理想混和比分数空间坐标系,将通常坐标系下的组分方程转化到混和比分数空间坐标系下,得出新的组分扩散方程。建立三维实体造型,计算出直喷式柴油发动机湍流燃烧后生成的碳烟和氮氧化物,最后通过实验检验了该计算模型。为发动机研究人员提供了一种仿真柴油发动机污染物的方法。     

基于线性回归分析的快速搜索聚类中心算法

针对一种可快速搜索和寻找到聚类密度峰值点聚类算法的缺陷,利用线性回归与残差分析的方法进行改进,可自动、快速地确定聚类中心且优化样本点密度值。算法利用样本点的近邻信息重新度量点的密度值,提高聚类中心点位置稳定性;利用一元线性回归与残差分析,快速、自动地选出聚类中心点,去除了人为选择的主观性。通过理论分析以及在人工数据集和真实数据集的对比实验表明,提出的基于线性回归分析的快速搜索聚类中心算法能够克服原有算法的缺陷,并且在聚类效果和计算时间上优于原有算法、基于密度的带有噪声的空间聚类算法(density based spatial clustering of applications with noise, DBSCAN)以及K-means算法。     

合成孔径声纳三维数据仿真研究

提出了一种基于声线追踪技术的合成孔径声纳三维数据仿真模型。此仿真模型包括四个部分,即三维运动轨迹下点目标回波模型、基于三角面元的声线追踪和目标阴影区域计算模型、基于棱锥的波束照射区域计算模型、发射和接收波束指向性及目标散射特性等其它因素对合成孔径声纳回波数据的影响模型。点目标和体目标数据仿真结果表明此仿真模型可行,尤其是体目标仿真结果的阴影特征逼真,可以为合成孔径声纳信号处理、图像判读和目标自动识别研究的提供有力支持。     

一种基于代理模型引导采样的多目标优化方法

针对复杂的实际工程多目标优化问题,提出代理模型引—手采祥的多目标优化方法。通过自适应的加强径向基函数构造的代理模型寻找Pareto优化解集,从找到的解集中通过一定策略筛选出部分作为样本点加入到下代样本空间中,样本点随着迭代的进行越来越靠近全局Pareto最优解集。从当前所有样本点中获得Pareto解,并根据其分布情况作为收敛条件。该方法中代理模型仅仅用来引导采样,也不需要反复计算大量样本点验证代理模型的精度,得到的解都被实／承模型验证过。在雌利害目标测试函数中体现了精度和效率。最后成功应用于薄板冲压成形变压边力优化中,表明了具有解决多目标实际工程优化问题的能力。     

任意有限维空间中群体行为的研究

探讨了任意有限维空间中的智能群体的聚集行为和迁徙行为,提出了一类基于局部信息的群体行为控制方法。从虚拟相互作用力的角度理解分析群体行为,采用吸引/排斥力的数学方法实现个体间的相互作用,并利用求解任意有限维空间点集的凸壳方法,将二维空间中的群体行为模型推广到任意有限维空间中,实现了一类基于局部信息的且适合于任意有限维空间的群体行为控制。在此基础上分析了系统的稳定性,并通过仿真实验验证了该方法的有效性。     

长基线测向交叉被动定位算法坐标变换误差的研究

在长基线测向交叉被动定位系统中 ,由于各被动接收站的站间距比较大 (几十公里 ) ,所以必须考虑地球曲率对利用各站角度测量数据定位算法精度的影响。本文利用GPS对各接收站进行三维定位 ,并推导了各接收站的测量数据从本地坐标系到绝对坐标系的变换公式 ,由此进一步推导了考虑地球曲率影响的、便于工程应用的长基线测向交叉定位算法 ,并通过仿真计算证明了其定位精度比传统的测向交叉定位算法有较大的提高     

基于量测转换方法的概率数据关联算法

针对在使用雷达跟踪目标应用中,目标运动模型通常线性地建模在直角坐标系内,而量测数据由传感器获得的实际情况,提出了基于量测转换方法的概率数据关联算法。推导了该算法中相关的滤波估计、滤波误差协方差和数据关联概率,并且提出了跟踪门的确定方法。仿真结果表明了新算法的可行性和有效性。     

基于半监督流形学习的WLAN室内定位算法

针对无线局域网室内定位系统中,因参考点密集布设而带来的数据采集、更新及定位匹配运算量增加的问题,提出了一种新的基于半监督流形学习的降维判别嵌入定位算法。该算法利用少量已标记数据和部分未标记数据,通过求解目标函数最优化,对高维接收信号进行维数约减,保留最具判别力的定位特征,然后采用确定性定位算法找到定位特征与位置坐标的映射关系。实验结果表明,算法定位精度高于传统的定位算法,降低了离线阶段的数据采集工作量,便于后期数据库的实时更新。     

基于数据修补DDBNs的空中目标识别方法研究

简要分析了离散动态贝叶斯网络用于目标识别时对缺失数据处理方法的研究现状,提出了把数据修补技术用于变结构离散动态贝叶斯网络。首先在对空中目标识别模型分析的基础上,构建了一种基于数据修补的离散动态贝叶斯网络模型。进而构建了修补算法的数学模型,并给出了修补过程。待缺失数据修补完整后,再运用修正后的直接推理算法计算目标类型。通过仿真结果对比,表明该方法可以有效地提高识别系统的准确性、可靠性和鲁棒性。     

基于面积的改进灰关联度算法

灰关联分析是灰色系统理论的重要组成部分,寻找合适的相似性度量方法是提高灰关联分析准确性的关键。通过对现有灰关联模型的研究,提出了一种基于面积的相似性度量方法,以序列相邻采样点间对应面积作为灰关联系数的计算依据,并用灰关联系数的均值作为序列的灰关联度。理论推导证明该方法符合灰关联四公理,体现了灰关联分析中衡量曲线相似性的基本思想。仿真实验表明,在邓氏灰关联度和广义灰关联度算法失效时,该方法仍能得出与定性分析一致的关联序,具有较高的可靠性。     

被动传感器系统模糊-概率双加权数据关联新算法

针对被动传感器系统中的数据关联问题,提出了一种新的被动传感器系统模糊-概率双加权数据关联算法。该算法首先利用候选关联的方位角建立检验统计量,进行方位的粗关联,排除一部分虚假候选关联,减少计算量;再对保留的候选关联进行交叉定位,计算每个交叉定位点与各个目标的关联概率;同时对相应的候选关联建立模糊关联度,来修正目标的关联概率,最后采用最大值搜索方法得到各个目标的正确关联。仿真结果表明,该方法可以快速、准确的排除虚假定位点,能够有效的对多个目标进行跟踪。     

双资源JSP动态分类调度研究

针对作业车间的加工受到机床、操作工人等双资源制约条件下出现多种扰动的JSP调度问题,提出了基于不同的扰动进行分类处理的新方法。该方法以最小化最大完工时间为目标,首先基于机床故障修复时间、工人离岗时间及取消订单包含任务的多少进行分类调度,然后根据机床故障修复后以及工人回岗后剩余任务的多少决定是否进行再一次的调度。采用遗传算法和模拟退火算法相结合的算法获得调度方案,并进行分析和比较。     

一种极坐标下的改进多目标粒子群优化

对现有多目标粒子群优化算法的全局最优解选择机制进行分析,指出其不足。在此基础上设计一种全新的极坐标下的选择机制:利用极坐标下解和粒子的角度信息计算适应度角度,选择适应度角度最大的解作为粒子的全局最优解。并针对多目标粒子群优化算法在迭代后期收敛变慢的问题改进位置更新公式:将位置更新过程产生的中间点也作为粒子新位置的候选解,有效提高算法收敛速度。对测试函数的仿真试验表明,所提出的改进算法在解集的分布性和收敛性上较其它典型算法有明显提高。     

基于灰色系统理论的数据挖掘技术

利用灰色系统理论是研究贫信息系统分析、建模、预测、决策、控制的有效工具的特性,针对系统样本数据量不大或有残缺,样本数据更新变换快,整体数据规律相当复杂,而在某一时间或空间的数据却有很强的规律性之类的贫信息灰色系统中的数据挖掘课题,探讨了灰色系统理论与技术在数据挖掘中的应用问题,提出了贫信息灰色数据挖掘的灰色关联算法、灰色统计算法、灰色聚类算法、灰色统计聚类算法,并提出了灰色系统数据挖掘的体系结构。