基于遗传算法的改进径向基支持向量机及其应用

通过对径向基核函数进行分析后发现:根据样本各个特征的识别能力赋予其不同大小的核参数,可以提高支持向量机的推广能力。此结论基础上,提出了一种基于遗传算法的多核参数径向基支持向量机算法,通过遗传算法最小化验证误差,实现了根据各个特征的识别能力赋予其不同大小的核参数。将该算法用于轴承故障诊断,实验结果表明,与传统支持向量机相比,多核参数径向基支持向量机具有更好的推广能力,同时,核参数的大小反映了对应特征识别能力的大小。     

基于累积延误损失算法的GHP模型

考虑不同机型的不同延误损失费用提出了一种累积延误损失算法,并建立基于该算法的地面等待策略(GHP)数学模型.该算法进行到达航班排序时,以所有航班总延误损失费用为首要排序标准,以先来先服务为第二排序标准,从而得到总延误损失费用与总延误时间值都较小的到达航班序列.同时,该算法也考虑了有后继任务的航班对到达航班序列的影响.基于该算法的GHP模型结合实际数据在实验仿真中取得了较好的效果,表明了该算法与模型的实用性与有效性.     

客户需求可分的车辆路径问题求解

针对车辆路径问题中客户需求可分的新设想重新进行了问题描述和模型构造,根据该问题的特点,利用蚂蚁算法的基本原理,设计了相应的优化算法.虽然在客户需求不大的情况下,分割客户需求并未产生比较理想的效果,但随着客户点需求与车辆载重的比例逐渐增大.实例计算结果表明,需求可分所带来的车辆需求数量和总行驶里程的下降都比不可分情况下要好很多,从而证明了算法的有效性和分割客户需求策略的现实可行性.     

一种再制造物流网络设施定位优化方法

针对包含正向和逆向的再制造物流网络,提出一种由3种设施组成的2层物流设施定位优化方法,并给出0-1整数规划模型.基于遗传算法的全局搜索能力,全面考虑了正向流和逆向流及其它们之间的相互约束处理,避免了传统拉格朗日启发式算法中求上下限的繁琐计算过程.仿真实验表明提出方法的有效性.     

一种新的大规模网络最短路径的近似算法

平均最短路径长度是复杂网络的一个重要特性,但是对于大规模网络的平均最短路径长度的计算是困难的.在最近的一次对中国教育网的研究中.建立了一个有2 354 934个网页和26 816 209个链接的网络.要想计算该网络的平均最短路径长度,无论是传统的Floyd、Dijkstra算法,还是基于MPI的并行算法,在现有的计算机资源下都难以实现.提出了二级网络的概念,并基于此给出了一种针对中国教育网的新算法,使得在可以接受的时间内完成平均最短路径的近似计算,经试算效果令人满意,说明这种方法对于计算大规模网络的平均最短路径是有效的.     

一种基于EMD和ANC技术的自适应降噪方法

为了提高分析信号的信噪比,基于经验模态分解和自适应噪声抵消技术,提出了一种新的信号去噪方法。该方法首先对信号进行自适应噪声抵消,然后进行经验模态分解,得到不同尺度上的固有模态函数,再对不同尺度上的固有模态函数进行噪声属性判定,如果不是噪声则选用不同的滤波参数,进行自适应噪声抵消,最后对各尺度上噪声抵消后的信号进行重构,得到去噪后的信号。结果表明,该方法比基于最小均方误差准则的自适应噪声抵消方法更能有效地消除信号中的噪声。     

临近空间慢速平台SAR结合运动补偿的SCFT算法

针对临近空间慢速平台SAR轨迹运动偏差的空变性进行了分析.在二维频率域利用系统传输函数(STF)和变尺度傅里叶变换(SCFT)处理算法有效补偿了距离迁移和关于快时间波数的高阶相位,指出在运动补偿过程中,可将轨迹运动偏差分解成空不变项和空变项.在二雏频率域,结合一阶、二阶运动误差补偿的方法,提出了临近空间慢速平台SAR结合运动补偿的SCFT处理算法.最后,通过计算机仿真,验证了本算法的正确性.     

双目标进化算法求解图着色问题

根据图着色问题的特征,提出了求解图着色问题的双目标模型;设计的有效、简洁的杂交算子和变异算子,均直接产生可行的后代个体;理论分析表明算法以概率1收敛到问题的最优解集.对标准算例进行了仿真实验,结果表明,双目标进化算法可以获得问题高质量的解,即对图进行着色所使用的颜色接近图的色数.     

带有测量噪声的Ⅱ型T-S模糊建模

实际工业生产过程中,系统的数据带有测量噪声.Ⅱ型模糊集的二阶隶属度用来表征一阶隶属度的模糊度,这种模糊度的增加意味着处理不确定信息能力增加.因此,提出了一种基于Ⅱ型模糊集的T-S模糊建模方法来减少由噪声带来不确定信息的影响.首先采用改进的最小邻域算法对带有测量噪声的数据进行聚类,继而确定Ⅱ型模糊集的一阶隶属度,接着根据数据的聚类信息采用高斯混和模型得到二阶隶属度值,然后用正交最小二乘算法确定模糊模型的后件参数,最后通过仿真实验来验证该方法的有效性.     

Novel cued search strategy based on information gain for phased array radar

A search strategy based on the maximal information gain principle is presented for the cued search of phased array radars. First, the method for the determination of the cued search region, arrangement of beam positions, and the calculation of the prior probability distribution of each beam position is discussed. And then, two search algorithms based on information gain are proposed using Shannon entropy and Kullback-Leibler entropy, respectively. With the proposed strategy, the information gain of each beam position is predicted before the radar detection, and the observation is made in the beam position with the maximal information gain. Compared with the conventional method of sequential search and confirm search, simulation results show that the proposed search strategy can distinctly improve the search performance and save radar time resources with the same given detection probability.