基于信息系统的概念粒及其距离计算

在信息系统的基础上引人概念粒的概念,给出其规范的形式化方法,对概念粒的距离进行了定义,并研究了其距离的一些性质及应用.这些研究结果有助于理解粒的本质,能更准确的表述属性与对象之间的不确定性关系.     

基于Gauss混合模型的清浊音恢复改进算法

为提高子带清浊音(unvoiced/voiced,U/V)解码端恢复算法在不同能量电平下的鲁棒性,提出了一种改进型能量自适应U/V参数解码端恢复算法。通过跟踪长时能量的变化轨迹,在Gauss混合模型(Gaussian mixed model,GMM)下,用归一化的能量参数和线谱频率参数(line spec-tral frequency,LSF)对U/V参数的分布特性进行估计。测试结果表明:在较低的能量电平下,与用绝对能量对U/V参数进行恢复的算法相比,该能量自适应U/V参数恢复算法能够将清浊音误判率降低10%～25%,并将合成语音的平均意见得分(mean opinion score,MOS)提高0.03～0.09,改善了算法的性能。     

基于组合参数的清浊音判决方法

为了更简单地判决语音信号的清浊专，笔者提出了一种将自相关函数值分别与线性预测及偏相关系数相结合的判决方法，并阐述了各自的特征及相组合步骤；将该方法同过零率法相比较并进行了仿真研究，结果表明组合参数法的误判率低。     

基于粒计算的格贴近度理论研究

为了描述2个粒集的接近程度,通过对传统Fuzzy集贴近度的公理化定义进行重新定义,提出了基于粒计算的格贴近度的定义,并给出了相关的基本性质.     

基于粒计算的融合性贴近度方法

在粒计算的基础上,将粒进行了形式化表示,详细地讨论了粒如何进行度量,进一步对粒在相似度度量方面加以阐述.对不同的事物相同标准和相同事物不同度量标准这两种情况的相似度度量进行探讨,并提出了一种新的基于粒计算的融合性贴近度方法对不同相似性度量方法进行了统一,减少了中间过程,避免了标准不同不能进行比较的问题.     

基于距离的粒计算分类算法

提出了一种基于距离的粒计算分类算法.首先,将粒表示为具有超菱形、超球和超正方体三种形式;第二,设计两粒之间的合并算子,实现不同粒度之间的转换;第三,选取粒度阈值,控制粒之间的合并过程,并构造基于距离的粒计算分类算法.使用UCI机器学习的基准数据集合验证该算法的性能,实验结果验证了基于距离的粒计算分类算法的可行性.     

基于粒计算的正态粒集下的格贴近度

通过对传统模糊集贴近度公理化定义的改造,使得粒集的格贴近度反映两个粒集之间的接近程度。对实例分析后,给出基于粒计算满足正态分布的一种格贴近度函数及其相关定理和证明,方便实际问题的分析和处理。     

正弦激励线性预测声码器子带清浊音模糊判决

为了解决目前正弦激励线性预测声码器中各子带的清浊音硬判决使得语音帧间产生明显过渡感的问题,提出一种子带清浊音模糊判决算法,直接采用自相关函数对各子带的清浊音度进行描述,矢量量化后传输至解码端,用于激励信号的产生.测试结果表明: 采用子带清浊音模糊判决算法,能够消除语音帧间的过渡感,能够使各种速率正弦激励线性预测声码器的平均主观意见得分提高约0.05以上.     

清浊音分段判决的递推最小二乘自适应算法

在"零-能"判决法的基础上,结合递推最小二乘(RLS)对非平稳信号的自适应跟踪能力,提出自适应的清浊音分段算法.算法能够快速实现语音信号清浊音的精确分段,不需要通过样本集训练进行参数调整.其自适应能力是在单一话音样本上实现的,由RLS算法在清音段、浊音段及清浊音段交界处不同的跟踪能力来判别清/浊音段.与基于阈值的方法不同,算法基于极值点的识别,避免各种基于样本集训练的自适应学习算法在泛化能力上的缺陷,对于不同采样率、说话人、音量、背景噪声等变化因素,具有较强的自适应处理能力.     

彩色图像的球形粒计算分割算法

针对基于聚类的彩色图像分割算法速度较慢,提出了彩色图像的球形粒计算分割算法.将彩色图像每个像素点表示为以该点RGB像素值为中心0为半径的球形粒,设计球形粒之间的合并算子,利用粒度阈值对两球形粒进行有条件合并,得到不同粒度的球形粒组成的球形粒集,以球形粒中心对应的RGB值代替球形粒包含像素点的RGB值.实验结果表明:与K-means算法和FCM算法相比,球形粒计算分割算法是稳定的而且分别加快了6倍和34倍.     

基于粒计算的距离与贴近度相关性研究

为了刻画和度量粒集合之间的差异和相似程度,以粒度计算方法为前提,借鉴已有的软计算理论成果,给出了粒集和公式的公理化定义,并且给出了粒计算距离和贴近度的相似性理论,对粒计算的距离与贴近度的相关性进行分析.这些结论将有助于人们理解粒度的本质,对于建立信息系统中的粒计算有着重要的指导意义.     

一种基于粒计算的Multi Agent决策算法

为了克服单个Agent知识的局限性,提高系统决策的可靠性,提出了一种基于证据推理和粒计算的Muhi．Agent决策信息融合算法,并对Muhi—Agent合作决策进行了定义和描述。Multi．Agent决策融合划分为观测和决策两个阶段,观测Agent从环境信息中提取特征向量作为输入,信息粒化后降低了合成计算的复杂度。     

基于粒计算的二进制矩阵及在决策树算法的应用

介绍了基于粒计算的二进制信息粒矩阵,给出了粒计算粒度的概念、粒的关联度运算、关联粒度矩阵和条件属性重要度等几个基于二进制信息粒计算的基本定义,并基于上述定义提出一种新的基于粒计算的决策树分支和剪枝算法在气象预报中的应用,实例结果证明了所提出的算法是有效和可行的.     

基于粒计算的ID3决策树算法研究

利用粒计算对机器学习中的ID3算法给予重新思考与实现,采取人类问题求解的结构化思维方式,对数据进行粒化表示,使得机器问题求解的思路更易于让人接受,且运算模式更适于计算机上的实现.     

基于二进制粒与粒计算的属性约简

目前有关粒计算的理论与方法主要有商空间理论、词计算理论和粗糙集理论.以粗糙集理论发展的粒计算理论为基础,定义了幂图、粒度幂图及二进制粒等概念,提出基于二进制粒计算与粒度幂图的两种属性约简算法,把属性约简问题转化为在粒度幂图中的搜索问题,为属性约简开辟了新的途径.理论分析表明,所提出的算法是有效可行的.     

基于粒计算的超市会员数据的聚类算法

在粒计算理论的指导下,首先对超市客户数据库中的信息进行预处理,并根据处理后的信息对客户信息进行细分,从而有针对性地服务不同层面的群体.其次针对不同层次的客户的消费行为特征进行聚类,在此基础上对超市会员的行为模式进行分析,进而采用适宜的营销策略.     

基于多目标优化的超盒粒计算分类算法

粒的数量和分类错误率是粒计算互相冲突的两个目标,同时最小化这两个目标是不可能的.针对此,构造了多目标优化问题,分别建立分类超盒粒数量和训练错误率两个目标,通过多目标演化算法对该多目标优化问题进行求解,从而产生一系列分类超盒粒集.随机产生初始种群,多目标演化算法通过利用演化操作和反复迭代的方法,得到供用户选取不同性能的解集.     

基于多目标优化的超盒粒计算分类算法

粒的数量和分类错误率是粒计算互相冲突的两个目标,同时最小化这两个目标是不可能的.针对此,构造了多目标优化问题,分别建立分类超盒粒数量和训练错误率两个目标,通过多目标演化算法对该多目标优化问题进行求解,从而产生一系列分类超盒粒集.随机产生初始种群,多目标演化算法通过利用演化操作和反复迭代的方法,得到供用户选取不同性能的解集.     

基于粒计算的概念格拓展模型

将粒计算融入到概念格研究中,结合相似度模型和概念格结构信息,提出一种基于粒计算的概念格拓展模型,其有助于扩展经典概念的内涵和外延,也有助于压缩概念的规模.该模型是概念格和粒计算融合研究的一次有益探索和尝试,同时对概念格拓展也不失为一种有效手段.     

粒集理论:粒计算的新模型

在已有的有关粒计算研究成果的基础上,表述了信息的粒化、层次化和动态性原理,并综合了粒的表示形 式后,提出了粒集的概念,确认了粒的二元组的表示形式#同时借用统一集的形式对粒集进行了描述,分析了统一 集与粒集的异同,给出了与粒集相关的一些概念,讨论了用粒集形式来表达其他各种各样的集合,诸如经典集合、 模糊集合、可拓集合、Vague集合、粗糙集合等后,又讨论并表示了粒运算和粒集运算,最后给出了粒集理论的初步 应用框架。粒集理论为粒计算提供很好的理论基础，从而使粒计算确立自己独立的研究领域。