一种基于光线漂移补偿的导轨角度误差测量方法

提出了一种带有光线漂移补偿的测量导轨俯仰角误差、偏摆角误差的方法及系统.将平面反射镜作为角度测量敏感元件,利用二维位置敏感探测器(PSD)和透镜组合来实时监测激光器本身所引起的光线角度漂移.实验结果表明:使用本系统测量导轨的角度误差,由激光器本身所引起的光线角度漂移对导轨偏摆角及俯仰角误差的影响可分别减少89.3%和69.2%,进一步提高了导轨角度误差测量的精度.     

基于目标函数的直觉模糊集合数据的聚类方法

针对直觉模糊集合数据的聚类问题,提出了一种基于目标函数的聚类方法。该方法定义了直觉模糊集合间的加权相似性准则,解决了数据聚类过程中各维特征分配不均匀的问题。通过增加非隶属度参数对模糊c〖CD*2〗均值(fuzzy c means, FCM)聚类算法中的模糊划分矩阵〖WTHX〗U〖WTBZ〗和目标函数进行改造,进而给出迭代推导公式和算法描述,把聚类归结为一个带约束的线性规划问题,适用于大数据量的情况。最后通过典型实例验证了该方法的有效性和优越性。     

基于仿真利率路径和Spread-Prepaymet曲线的MBS定价方法

房产抵押贷款证券的定价与市场利率的路径密切相关.以市场现行利率期限结构为基准,用蒙特卡罗方法生成利率路径,为房产抵押贷款证券定价.为克服传统的Vasicek、CIR等利率模型的弱点,引进利率水平因素的均值回归项和斜率因素的均值回归项,以产生平稳的利率路径.模型中的波动率由互换市场的报价计算得出,以反映市场的对未来的预期.根据利差与提前还本速度间的函数关系,由历史数据统计得到"利差-提前支付速度曲线",作为提前还本模型.最后对比了各种模型生成的利率路径,以及参数选取对MBS价格的影响.     

基于改进NSGA-Ⅲ的多SGSW火力分配优化

在高维多目标优化中,基于参考点非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅲ, NSGA-Ⅲ)相比于其他多目标进化算法,具备较强的多样性保持能力,但收敛能力存在一定不足。因此引入遗传K均值(genetic K-means, GKM)聚类算法以提高NSGA-Ⅲ的收敛能力,提出基于NSGA-Ⅲ-GKM算法的多天基对地打击武器(space-to-ground strike weapon, SGSW)火力分配优化方法。首先,建立以转移时间最短、落地点速度最大和落地点侵彻角最大为优化目标的SGSW转移轨道优化模型,为后续优化目标的计算打下基础;其次,建立基于NSGA-Ⅲ-GKM算法的火力分配优化模型;最后,仿真结果表明, NSGA-Ⅲ-GKM算法相比于其他代表性多目标进化算法具备较好的多样性保持能力和收敛能力,总体性能较好,该方法能够更有效地解决多SGSW火力分配优化问题。     

方位旋转式平台惯导系统的误差分析与仿真

采用惯性平台相对惯性空间以固定角速度绕方位轴旋转的系统方法,构成方位旋转式平台惯导系统(ARGINS),通过调制惯性测量元件沿平台水平方向的输出误差,提高平台式惯导的精度.给出了ARGINS无阻尼情况下的系统误差方程,分析了静基座下的系统误差,并采用Monte-Carlo方法研究了动基座下的系统误差特性.结果表明,相对固定指北式平台惯导,由于水平方向上的惯性测量元件误差引起的随时间发散误差量被调制为常值误差,而常值误差量则被调制为可通过阻尼消除的振荡性误差,达到了抑制惯性测量元件误差的效果.     

一种IP可追踪性的网络流量异常检测方法

提出了一种支持IP可追踪性的网络流量异常检测方法.该方法实时记录网络数据流信息到概要数据结构,然后每隔一定周期进行异常检测.采用EWMA预测模型预测每一周期的预测值,计算观测值与预测值之间的差异sketch,然后基于差异sketch采用均值均方差建立网络流量变化参考模型.该方法能够检测DDoS、扫描等攻击行为,并能追踪发生异常的流中的IP地址.通过模拟试验验证,该方法占用很少的计算和存储资源,能检测骨干网络流量中的异常IP地址.     

鲁棒最小二乘支持向量机及其在软测量中的应用

针对最小二乘支持向量机在利用产生于工业现场的非理想数据集进行建模预测时,稀疏化模型鲁棒性差的问题,提出了一种基于模糊C均值聚类和密度加权的稀疏化方法.首先通过模糊C均值聚类将训练样本划分为若干个子类;然后计算每个子类中各样本的可能贡献度,依次从每个子类中选取具有最大可能贡献度的样本作为支持向量;最后更新每个样本的可能贡献度,继续从各个子集中增选支持向量,直至稀疏化后的模型性能满足要求.仿真结果和磨机负荷实际应用表明,该方法能够兼顾模型在整体样本集和各工况子集上的性能,在实现模型稀疏化的同时,能够显著改善最小二乘支持向量机模型的鲁棒性.     

一种非监督道路场景分割方法

针对道路场景分割中训练样本量大、不同类型道路过渡中易产生误分割的问题,该文提出了一种非监督的道路场景分割方法。首先用K均值聚类对第一幅图像进行初始化分割,再用图割法对其进行能量最小化的优化分割,最后用优化后的分割图像重新计算类别中心,用于指导下一帧图像的图割优化分割。实验表明,该方法无需大量训练样本,可以快速地对道路场景进行分割,还能够在不同的道路类型过渡过程中保持很好的分割效果。     

基于蚁群SVDD和聚类方法的旋转机械故障诊断

摘要：
针对典型故障样本缺乏而使常规机器学习方法无法直接应用的难题,提出了一个基于支持向量数据描述（SVDD）新异类检测与基于Davies Bouldin指数（DBI）的K均值聚类方法相结合的旋转机械故障诊断框架.首先,针对正常状态样本建立SVDD模型,并利用蚁群算法对SVDD模型参数进行优化;然后,当拒绝样本数目累积到设定的阈值时,利用K均值聚类方法对其进行处理而获得能够进行标记的类别,其中,K均值聚类的类型数目由DBI辅助确定;最后,针对所标记的各类样本,分别建立SVDD模型并进行训练,将SVDD分类器按照二叉树形式构建系统状态的完整诊断模型.同时,利用滚动轴承多故障模式样本进行训练测试,以验证所提出算法的有效性.结果表明,所提出算法的训练速度为常规网格搜索算法的近10倍,DBI能够有效确定聚类的数目,对样本状态的识别率达到100%. 关键词：
蚁群支持向量数据描述; K均值聚类; Davies Bouldin指数; 旋转机械; 故障诊断 中图分类号： TP 183
文献标志码： A