SO(n)中定型矩阵拟合的数值梯度方法

提出求解SO（n）中定型矩阵拟合问题导出的约束优化问题的一个数值梯度算法．该方法可视为离散动力系统算法,其最大特点是能始终保持迭代点列满足约束条件．对算法的收敛性和渐近稳定性进行了理论分析,数值试验结果验证了算法的有效性和可靠性．     

基于关联规则的日志分析系统的设计与实现

网上广告势必成为中国广告业不可取代的部分．广告人总是期望广告能获得最好的效果．为此．本设计并实现了一个基于关联规则数据挖掘的日志分析系统．数据挖掘引擎在实现过程中针对挖掘数据的特点对Apriori算法进行了改进．并通过仿真数据库对挖掘结果进行了验证．日志分析系统获得的“知识”可以直接用于改善Web的信息服务．     

基于自适应CPN的规则自学习模糊控制器设计

基于扩展Ｋｏｈｏｎｅｎ的自组织映射和Ｇｒｏｓｓｂｅｒｇ的竞争算法,得到了一种高度自适应的双向对传网络（ＣＰＮ）,并给出了一类基于此类网络的模糊控制器．根据经验知识对网络离线学习,确定基本的控制规则,利用在线学习算法,实现了规则的自学习．在此算法中,控制器能够自动确定满足控制要求所需规则的个数,并且根据控制目标能够自动获取和校正控制规则．仿真结果展示了控制器应用具体对象的实时控制效果     

改进型蚁群算法在Job Shop问题中的应用

应用改进型蚁群算法解决车间作业调度问题。在原有标准蚁群算法的基础上采用了新的状态转移规则,讨论了各种不同的轨迹更新规则对仿真结果的影响,并通过统计数据验证了改进型蚁群算法优于标准的蚁群优化算法。由于算法中的参数对算法的求解效率和求解结果都有一定的影响,所以对此也进行了初步的研究,得到了运行较好的参数取值范围。     

基于模糊控制二级倒立摆实验装置数模的建立

针对经典控制方法难以实现对二级倒立摆实验装置系统的实时控制问题,需对实验装置的控制系统进行二次开发,为此,引入模糊控制方法改善原有的线性控制算法．模糊控制的核心是模糊控制规则,所以确定合适有效的控制规则成为解决问题的关键．采用基于经验和基于系统仿真结果两者相结合的方法,制定出了简单适用的规则库．调试结果表明,同时系统具有良好的稳定性．对二级倒立摆实验系统的实例仿真表明,该设计算法易于实现,在抑制外部扰动和实时控制性方面优于经典的状态反馈最优控制．     

模糊神经网络的局部调整快速学习算法

神经网络的学习速度是影响其在实时控制中应用的重要原因之一,在文中提出了一种基于局部调整方法的模糊神经网络快速学习算法．该算法通过采用对输入数据进行判别的方法来选择每次学习时所需调整的有效规则,大大减少了学习中调整的规则数,从而加快了模糊神经网络的学习速度．同时,通过这一判别还可进一步确定是否需增加新规则以及增加的规则数,因此该算法不仅能够进行模糊神经网络的参数调整,还能实现神经网络的结构自适应调整功能．随着神经网络的输入维数以及初始规则数目的增加,算法的上述优点更加明显．最后采用快速算法与普通算法分别对单输入及多输入系统进行了辨识,仿真结果证明了上述结论：在初始规则数较少,普通算法无法收敛时,应用快速算法则可以收敛;随着规则数目与输入维数的增加,算法的快速性与精度跟普通算法相比优势明显     

基于模糊集的地理信息模式匹配算法

结合现有模式匹配算法和GML模式的特点,给出了元素与元素语义贴近度的定义,在通用匹配规则的基础上引入具体的匹配规则．针对匹配规则在计算语义贴近度中的作用定义了权值调配函数,并给出了关于元素对的匹配函数的定义和计算公式．实验表明,该算法能够有效发现地理信息模式中元素之间的相似关系,提高了元素之间匹配结果的准确度,对地理信息模式的整合有较大的帮助．     

Job-shop的实时调度

利用神经网络和启发式分派规则设计了一种Job—shop的实时调度算法，该算法首先在离线时用遗传算法训练神经网络得到调度的启发规则，在加工开始时根据一些动态特性对要执行的工件操作进行模糊分类，然后再根据启发规则对分类后的操作进行在线调度．基于这种算法，用模糊神经网络设计了一个Job—shop实时调度器，最后结合实时调度和重调度问题进行了仿真．通过与FIFO与LR(Lagrangian Relax)的比较，证明提出的算法是高效和可行的．     

基于多克隆选择的多维关联规则挖掘算法

通过引入多克隆选择算法的思想,提出了一种基于多克隆选择的关联规则挖掘算法．仿真对比试验表明,该算法加快了关联规则挖掘的收敛速度,具有更强的全局与局部搜索能力,与基于进化算法和基于免疫算法的关联规则挖掘算法相比,明显提高了所得关联规则的准确率．     

自适应液位模糊控制系统设计

针对液位控制系统中存在大惯性、非线性的问题设计了自适应液住模糊控制策略，可以解决液位控制规则不够完善的问题，使液位控制参数能够实时得到调整、修改，同时给出自适应软件实现流程并应用Matlab软件对自适应模糊控制算法进行了仿真．仿真结果说明该算法的有效性。     

基于模糊粗糙集理论的视觉特性图像增强

为了更准确地描述在图像增强中可能会出现的一些不完整性和不确定性问题,提高图像处理的效果,本研究提出了一种基于模糊粗糙集理论的视觉特性图像增强算法．该算法利用模糊粗糙集理论,依照图像的视觉特性,采用传统的图像增强方法进行图像预处理．实验结果证明,该算法比传统的图像增强方法效果更好．     

基于粗糙集的转炉炼钢知识发现模型

针对转炉炼钢知识发现的特点,采用粗糙集理论进行分析,应用数据清洗、标准化及离散等方式对转炉炼钢生产数据进行预处理,以炼钢生产的主要影响因素作为知识发现的条件属性,以转炉冶炼终点控制目标作为知识发现的决策属性,建立了基于粗糙集方法的转炉炼钢知识发现模型,实现转炉炼钢生产知识的自动发现、获取和规则提取。以转炉冶炼终点钢水温度的变化规律做为知识发现的决策属性,采用210 t转炉炼钢实际生产数据进行模型的应用测试,结果表明提取出的铁水硅含量、铁矿石质量、氧气消耗量等影响因素对转炉冶炼钢水终点温度存在重要影响,且模型提取出的转炉炼钢终点钢水温度知识规则与现行转炉炼钢现场的变化规律一致,证明基于粗糙集方法的转炉炼钢知识发现模型的有效性。     

基于粗糙集的经济空间数据发掘与知识发现

为了获取区域经济发展的潜在规律和规则,提出一种处理经济空间数据库的信息方法,即利用粗糙集理论对经济空间数据库进行离散化处理后建立决策表,再通过对知识的简化和属性值的约简,从中进行数据发掘和知识发现.以此对江苏省2003年的部分经济指标数据进行了实证探讨.     

基于模糊粗糙集的公路地质灾害影响因子的权重分配

地质灾害影响因子权重分配是地质灾害区划的关键,以贵州省三凯线地质灾害调查数据为实例,于公路沿线随机选取非灾害点,选择高程、坡度、河流切割密度、地层岩性4个地质灾害主要属性,形成属性决策表,根据相关知识采用不同的三角模糊隶属度函数,确定模糊粗糙集地质灾害要素权重分配模型,计算各属性与地质灾害之间的依赖度,建立模糊粗糙集地质灾害属性权重确定方法,该权重应用于因子叠加方法进行公路地质灾害区划,研究表明:用模糊粗糙集确定的地质灾害影响因子权重,相比传统专家打分所确定的权重具有较高的精度.     

知识挖掘方法在板料冲压工艺设计中的应用

提出了从金属塑性成形数值模拟结果中挖掘知识的方法，简述了实现的步骤和采用的算法．以板料冲压成形工艺设计为例，进一步详细论述了如何采用所提出的知识挖掘方法从板料成形数值模拟结果数据中提炼新的工艺知识．该方法拓展了冲压工艺知识获取的途径．     

基于最小描述长度的不完备数据处理

不完备数据是造成信息系统不确定的主要原因之一,对数据挖掘、知识发现等造成了困难.本文提出一种基于最小描述长度原则的不完备数据处理方法,实例证明这种方法是有效的.Rose工具的规则提取结果证明此方法在规则的集中性和支持度方面优于粗糙集辨识矩阵方法和Conditioned mean completer方法.     

SDH告警中的知识发现

TMN在电信网中起着越来越重要的作用，通信网的发展，要求网络管理向智能化方向发展．运用人工智能中知识发现和数据挖掘的方法，可以实现知识的自动获取．故障管理是网络管理的重要方面，本论文运用知识发现的方法对TMN子系统-SDH网管系统中传输告警的关联关系进行了挖掘．论丈运用知识发现的方法，以中国电信四川SDH网管系统中的告警数据为例，实现了SDH传输告警关联关系的挖掘算-Apriori算法；分析了重复告警对单前题规则可信度的影响，对算法做了改进，提高了规则的可信度，有利于发现重大告警；讨论了逆规则对规则有效性的影响，对算法进行了进一步的改进，减少了无效规则；对冗余规则进行了压缩，得到了更简明的挖掘结果；分析了部分挖掘结果和算法复杂度．     

A rough granular computing in discovery of process models from data and domain knowledge

The rapid expansion of the Internet has resulted not only in the ever growing amount of data therein stored, but also in the burgeoning complexity of the concepts and phenomena pertaining to those data. This issue has been vividly compared by the renowned statistician, prof. Friedman of Stanford University, to the advances in human mobility from the period of walking afoot to the era of jet travel. These essential changes in data have brought new challenges to the development of new data mining methods, especially that the treatment of these data increasingly involves complex processes that elude classic modeling paradigms. “Hot” datasets like biomedical, financial or net user behavior data are just a few examples. Mining such temporal or stream data is on the agenda of many research centers and companies worldwide. In the data mining community, there is a rapidly growing interest in developing methods for process mining, e.g〖DK〗., for discovery of structures of temporal processes from data. Works on process mining have recently been undertaken by many renowned centers worldwide. This research is also related to functional data analysis , cognitive networks , and dynamical system modeling, e.g., in biology. In the lecture, we outline an approach to discovery of processes from data and domain knowledge which is based on the roughgranular computing.     

用前向神经网络获取特定结构的规则知识

介绍一种用前向神经网络来获取特定结构的产生式规则知识的方法，这些规则知识既可以用于解释神经网络的行为，又可以用于问题求解，获取的产生式规则知识可以是任意形式的，也可以是包含多个推理步的多级推理链知识，而且具有所需的易于理解的特一表达结构，另外，文中还提出了解决智能系统形成过程中知识不断增长问题的方法，大量的逻辑表达式学习实验结果表明，文中获取规则知识的方法是有效的。     

边界条件熵的属性约简及在定性仿真中的应用

从Pawlak拓扑的角度,给出了一种知识边界粗糙熵和边界条件熵的新定义,并反映出集合的不确定性可以通过边界域来描述的思想,证明了边界条件熵随着信息粒度的变小而单调减少的重要结论.弹簧定性仿真实例,结合定性推理技术,以边界条件熵为基础构造属性约简的启发式算法,消去定性描述中的冗余,获得了弹簧系统定性微分方程式.实验结果表明,粗集理论在定性推理与定性仿真技术中的重要应用价值,基于边界条件熵的属性约简是有效的.