基于遗传算法的类零相关多相码设计

距离高分辨多输入多输出（multiple input multiple output,MIMO）雷达体制下,目标回波可能跨越多个距离单元,因此要求发射信号在主瓣附近具有较低的自相关旁瓣和互相关。针对这一问题,提出了一种基于遗传算法的类零相关多相码设计方法。该方法选择具有零相关特性的零相关码集为初始群体,然后针对零相关码的特性,对遗传算法的交叉和变异操作进行了优化设计。通过把相关信号能量向远离主瓣的区域挤压,获得的多相码在主瓣附近具有较低的自相关旁瓣和互相关。最后,计算机仿真验证了该方法的有效性。     

基于动态贝叶斯网的时变样本空间无监督学习

提出了针对概率分布参数时变的样本空间的参数估计问题,由于一般的聚类和EM算法等参数估计方法是针对概率分布时不变的样本空间的问题所采用的。因此,对于概率分布时变的样本空间而言,这些方法均不能有效、准确地估计实时变化的样本参数。通过构建动态贝叶斯网,利用先验和后验的知识进行预测和滤波,结合贝叶斯增量式学习方法并充分利用了其学习所获得的样本空间概率模型变化演进的规律,这样可以较准确、平滑地学习实时概率模型及其分布参数。     

质量功能展开中自相关关系确定的粗糙集方法

针对质量功能展开中各项工程特性之间的自相关关系具有模糊、不确定和不分明等特质,提出了自相关关系确定的粗糙集方法.对于每一项顾客需求,由每一项工程特性组成相应的决策属性集,并由其它工程特性组成相应的条件属性集,分别构造了相应于该决策属性集的决策系统.基于粗糙集中相对约简和相对核等方法,分别建立了其相应的修正决策系统.利用信息熵和等价类的集成方法,获取了修正决策系统中各条件属性的重要度.引入了自相关关系的比例因子概念,确定了各项工程特性之间的自相关关系.以洗衣机的产品研发为例,说明了方法的应用.     

基于贝叶斯决策的机内测试虚警滤波技术

提出了一种将贝叶斯决策用于机内测试(RIT)系统的虚警滤波方法.诊断的BIT系统包括正常、瞬态、间歇和故障四类状态,利用最小最大决策法确定这四类状态的先验概率,并建立相应的贝叶斯风险决策表.以机载电源的机内测试系统为例进行研究,为每个诊断模块建立相应的贝叶斯决策器,通过支持向量机识别出有异常的可更换模块后,启动相应的决策器对该模块的BIT状态进行决策.结果表明,该方法能够识别出系统中的瞬态和间歇故障,可有效降低BIT虚警发生的概率.     

基于数据分组处理方法的聚类分析模型

与通常的聚类方法相比,客观聚类分析方法能自动、客观地确定聚类个数并找到最优聚类方案.通过算法步骤的剖析和算例分析,对客观聚类分析方法的核心构件,即一致性准则的不足进行了评价.利用偶极子给出了新的一致性准则,提出了数据分组处理(GMDH)聚类分析方法.从理论分析和实证比较两方面论证了新的一致性准则的优越性,指出了GMDH聚类分析方法是客观聚类分析方法的发展.     

复杂电磁环境下雷达探测能力分析及仿真

首先分析总结理想情况下雷达方程及其相应参数的求取,研究了有源干扰方程、无源干扰方程、接收机噪声方程及其参数的求取,详细推导了频谱系数.在此基础上,给出复杂电磁环境下综合信干比的计算公式,最后利用求出的综合信干比,计算单次扫描雷达的探测概率和自卫距离,并提出仿真中雷达捕获的判断方法.通过将该模型应用于某型仿真系统中的雷达实体探测模块中,证明该模型具有一定的通用性、准确性和简单实用性.     

内蒙古林西县生态经济分区与发展对策研究

以位于北方农牧交错带的内蒙古林西县16个乡镇为样本,利用因子分析方法对所选指标体系进行筛选,从26项指标中筛选出7项综合指标,消除了由于各因子的相互作用引起的噪音干扰,降低各因子之间的重叠性.在此基础上,根据生态经济区划分的相似性原则、区域共轭性原则和自然区域完整性原则,运用灰色星座聚类法对研究区生态经济系统进行聚类分区,林西县生态经济系统可以划分为3大区域:中东部河谷平川粮食经济作物区、中南部低山丘陵牧粮综合发展区及西北部中山牧粮果水保林区.排序检验的结果表明聚类结果基本正确,能较好地反映研究区农业生态经济类型的客观状况.最后,根据各分区不同的生态经济特征,对各区的开发对策及今后的发展方向进行了详细的分析与评述.图1,表5,参6.     

具有不同到达时间的差异工件批调度问题的蚁群聚类算法

研究具有不同到达时间的差异工件在单机环境下的批调度问题.通过引入工件单元的概念并对分批约束进行松弛,提出了该问题的一个新的下界,证明了该下界的有效性.将蚁群算法和聚类算法相结合,提出了一种基于多阶段聚类的蚁群聚类算法ACC(Ant colony clustering).算法首先利用K-均值聚类将工件分簇,在簇内部通过蚁群算法搜索分批,最后提出一个全局优化算法对局部分批结果进行合成和优化.克服了蚁群算法随着工件规模增大求解时间过长的问题,适合于求解大规模算例.实验结果表明:与现有的启发式规则LPTBFF(Longest processing time batchfirst fit)和HGA(Hybrid Genetic algorithm)算法相比,该算法求解效果更好.     

杂合灰色聚类与扩展优势粗集的概率决策方法

为了能够由多标准信息表获取最小的知识表达,提出了一种灰色定权聚类与扩展优势粗糙集杂合的方法,杂合方法建立的基本思路为:首先运用灰色定权聚类方法将由不同量纲偏好属性组成的多标准信息表生成多标准决策表,接下来应用扩展优势粗糙集方法进行概率决策分析,并导出偏好概率决策模型.该方法被应用于区域关键技术的评价选择中,获取的偏好概率决策规则可为决策者提供决策参考.     

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。