飞机旋转叶片回波频谱特征分析

飞机目标发动机叶片的周期性旋转运动导致目标散射回波中出现周期性运动部件调制频谱分量,在某些姿态下该频谱分量幅度呈sinc(x)包络状,并不对称分布于机体多普勒频谱分量一侧。为揭示这一现象,在对旋转叶片组建立电磁散射模型和对风扇目标进行试验测量基础上,分析了叶片长度、倾斜角和扭角等结构参数对周期性运动部件调制频谱分量分布规律的影响。结果表明叶片扭角是导致该现象出现的主要原因。     

一种区间值聚类的数据挖掘方法

提出了一种区间值聚类的数据挖掘方法。该方法首先将数据库中的数据按照属性进行聚类,将它们划分为若干区间,对于同一区间中的数据赋予相同的编号,以此处理直至数据库的最后一个属性。在完成这种转换后即可使用关联规则的挖掘方法。该方法与传统的数据挖掘方法相比更加符合实际。大量的仿真数据集和真实数据集的实验结果表明该算法是有效的。     

基于矢量空间的群体聚类方法研究

通过对群体成员的思维模式进行分析,基于矢量空间提出了群体中任意两个成员偏好矢量相关性度量的一般范数以及基于该矢量相关度的启发式算法,通过执行该使算法使群体中的成员形成若干个不同的聚集。在此基础上,定义并计算群体中各个聚集的偏好和整个群体的偏好,定义并计算群体中各个聚集的一致性指标和整个群体的一致性指标,为群体决策提供依据。最后通过一个实例对算法和一致性指标等进行验证。     

一种基于模糊规则的模糊辩识方法

提出了一种基于模糊聚类和最小二乘估计方法的模糊辨识方法。该方法是基于模糊聚类,计算给定样本在各类中的隶属度,并给出输入变量的隶属度函数。利用递推最小二乘估计辩识模糊模型的后件参数,本文给出了详细的的算法。为了验证该方法的有效性,本文给出了Ｂｏｘ－Ｊｅｎｈｉｎｓ数据的辨识结果。     

基于自适应混合变异进化策略的神经模糊系统及应用研究

针对现存神经模糊系统中存在的问题,提出了基于自适应混合变异进化策略的神经模糊系统采用改进的最近邻域聚类算法对输入空间进行模糊聚类,确定模糊规则数以及模糊规则前件,这样做精简了模糊规则,不会因输入变量的增加而造成"维数灾难”;采用自适应混合进化策略确定模糊规则的后件,明显提高了算法的收敛速度和精度.将本文提出的基于自适应进化策略的神经模糊系统用于某炼油厂航煤干点的软测量建模,结果表明,该系统具有结构简单、建模精度高、泛化能力强等优点.     

一种改进的RBF神经网络学习算法

提出了一种改进的RBF神经网络学习算法 ,分别通过减聚类和监督学习算法对网络参数和权值进行训练 ,既可以根据样本合理地聚类、确定RBF径向基函数的个数和相应参数 ,又具有较强的网络映射能力 ,从而不仅使RBF神经网络结构得以优化 ,性能也得到了提高。仿真结果表明了该学习算法的实用性和有效性     

两类需求下双源供应的库存配置策略

建立应急供应是应对市场需求波动的主要策略之一。围绕零售系统在双源供应下向两类顾客提供服务的库存配置策略,建立库存水平状态稳态概率分布平衡方程,并推导出稳态概率分布以及系统的稳态性能指标;构建库存成本控制优化模型并给出改进的遗传算法;通过数值实验验证了算法的有效性并研究了库存配置策略。结果表明,库存配置策略优于优先权库存控制策略。另外,在顾客到达强度较大的情况下,当两种供应源产品价格差别较小时,可优先从应急供应源补货来控制成本。     

动态联盟合作伙伴的选择过程与方法

动态联盟使企业具有快速适应不断变化的市场需求的能力。企业组建动态联盟 ,首先就面临着合作伙伴的选择问题。由于盟员选择过程的复杂性 ,一些非结构化的优化方法得到应用。本文讨论了动态联盟合作伙伴的选择过程和基本方法 ,并研究了应用遗传算法和聚类方法实现盟员选择 ,指出了遗传算法选择盟员的不足之处以及聚类方法的优点。     

武器装备体系作战能力聚合的类元胞机模型研究

传统以“平台”或“系统”为中心的作战能力线性聚合计算,无法反映武器装备体系的整体涌现性。在元胞自动机的基础上,结合作战能力聚合的应用实际,将元胞的状态拓展到连续的数值空间上,提出了武器装备体系作战能力聚合的类元胞机模型。建立武器装备体系作战能力的空间结构;以单项作战能力为元胞个体,所有作战能力共同构成元胞的空间结构,建立武器装备体系作战能力聚合的类元胞机模型;通过微观的元胞个体演化,凸显出宏观的武器装备体系作战能力的整体效果。通过某数字化部队武器装备体系作战能力聚合的对比实验,实验结果表明了该模型具有一定的有效性。     

非均匀类簇密度聚类的多粒度自学习算法

针对非均匀类簇密度聚类问题,从商空间粒度理论出发,提出一种多粒度自学习聚类算法 (multi-granularity self learning clustering algorithm, MSCA)。算法通过构造聚合树结构和定义粒度函数对问题逐层求解,并在每层聚合过程中根据聚合区间以自学习的方式动态确定聚合粒度,解决了传统聚类算法从非均匀类簇密度数据中无法得到不同层次的聚合特征且参数对经验依赖性过高的问题。理论和实验表明,MSCA算法可以发现任意形状类簇,有效处理噪声,并能发现关键聚合层,具有较好的计算复杂性。