连续时间T-S模糊系统的离散化:Delta算子方法

针对一类连续时间T-S模糊系统,利用Delta算子方法,对系统进行局部离散化和全局离散化处理.首先对模糊规则后件部分的线性时不变动态方程做局部离散化处理,然后再对系统的动态模型做全局离散化处理.为了获得T-S模糊系统的多胞结构,对全局离散化模型进行Taylor级数展开,从而得到近似全局离散化模型.基于线性矩阵不等式(LMI)技术,针对近似全局离散化模型设计了相应的状态反馈控制器,使系统被渐近镇定.采用Delta算子对连续系统离散化时,随着采样频率的加快,其离散模型将趋近于原来的连续模型,并保持原有的动力学性质.仿真结果验证了理论的有效性.     

基于遗传算法的Parzen窗离散化方法

为解决连续属性无法直接用于粗糙集理论中这一问题,将Parzen窗方法和遗传算法相结合,提出了一种全新的属性离散化方法。该方法首先选取较多个断点将连续属性分为较多类,然后结合粗糙集理论的一致性要求和Parzen窗所反映的离散结果稳定性指标定义遗传算法的适值函数。仿真结果表明:使用该方法得到的离散结果能得到较少个断点,并且保持数据原有的分类能力。     

具扩散的空间离散Nicholson苍蝇方程波前解的存在性

利用上下解方法研究了具扩散的Nicholson苍蝇方程的空间离散化模型波前解的存在性,并证明了存在具有临界波速的波前解.     

流体动力学模型中流密度方程的二维OAD离散方法

本文系统分析了用于流密度方程有限差分离散的ＳＧ和ＯＡＤ方法,完善了适合于二维非均匀网格系统的流线ＳＧ方法．在此基础上,提出了适合流体动力学模型中流密度方程离散的二维ＯＡＤ方法．简单的数值实验表明,ＯＡＤ 离散方法不仅能够解决数值计算中存在的侧风扩散效应,而且还能大幅度地提高计算过程的收敛速度     

纯滞后MIMO离散系统建模及数字仿真

针对纯滞后ＭＩＭＯ连续系统模型按常规方法离散化,所得的离散模型不适用于数字控制系统,提出基于ＭＡＴＬＡＢ语言的ＣＡＣＳＤ,求出相关的增广矩阵,重构标准的离散数学模型。仿真研究证实此方法的正确性。     

与特征选取和离散化集成的决策规则挖掘方法

利用粗糙集理论可以从已知数据中挖掘决策规则 .对于连续取值的特征属性必须先对其离散化 .从给定的特征属性集合中去除冗余的特征属性 ,选取有用的属性子集有助于简化决策规则 .我们利用基于信息熵的规则不确定性量度函数构造了一个决策规则挖掘的遗传算法 ,将规则挖掘与特征选取和连续属性的离散化集成在一起 .实验结果说明了这种方法的有效性.     

基于粗集理论的医学诊断规则提取方法

讨论了医学诊断的知识获取问题，基于粗集理论提出了完整的知识获取方法，包括连续信息系统的离散化，信息系统约简、决策规则提取，决策模型生成等，以十二指肠溃疡为例，讨论了知识处理的过程，为人工智能技术在医学诊断领域的应用提供了新的思路。     

基于状态转换的顺序式异步数据融合算法

针对现有基于伪量测的异步融合算法存在的实时性差、融合时刻中心处理器计算负荷大以及引入噪声等相关问题,提出一种新的基于状态转换的多传感器顺序式异步融合算法。新算法通过连续系统离散化获得融合周期内各采样点同融合时刻之间状态的动态关系,并利用该关系来建立相邻两个采样时刻间符合标准Kal-man滤波条件的状态递归方程以及相应的测量方程,然后通过执行顺序Kalman滤波来实现异步数据融合。详细推导了融合算法的具体形式,并通过理论分析和计算机仿真证明了该算法不仅能避免现有基于伪量测的异步融合算法所存在的诸多问题,而且能获得更好的跟踪性能。     

基于Rough集的集成离散化算法

离散化是Rough集理论研究的一个重要内容,目前基于Rough集的离散化算法很难做到高效率和高识别率兼顾.文中分析了基于断点重要性算法和基于属性重要性算法的特点,确定了离散化思路,提出了一种基于Rough集的集成离散化算法.该算法能够有效降低候选断点的数目,快速地实现决策表的离散化.实验结果表明,文中算法保持了与已有算法可比的识别率,且运行效率更高.     

具有常规原因和人为错误的两个不同部件并联系统解的半离散化

讨论了一个由于常规原因和人为错误引起故障的两不同部件并行系统的模型,修复后的故障系统恢复正常。在假设修复率非常数的前提下,运用半群理论证明了系统解的存在唯一性,最后对修复率用初等阶梯函数逼近给出了系统半离散化模型,为进一步数值计算奠定了理论基础。