一种基于划分的带项目约束的频繁项集挖掘算法

为提高关联规则挖掘算法的效率及其对大型数据集的适应性,提出了基于划分的带项目约束的频繁项集挖掘算法Partition CHS Miner。算法按照约束条件裁减数据集,并采用基于约束的超结构CHS(con-straint-based hyper-structure)存储数据。对大型数据集,先将其划分为多个不相交的数据子集,使子集的大小适合主存,然后在子集上采用基于超结构的带项目约束的挖掘算法挖掘出局部频繁项集,最后合并所有子集中的频繁项集形成全局的带约束的候选项集,计算出全局频繁项集。实验证明了算法的有效性。     

改进的模糊神经网络应用于投标报价

针对模糊神经网络规则膨胀导致的网络训练速度慢和泛化能力弱的缺陷,提出了一种改进的基于T-S模型的模糊神经网络的结构和算法。网络结构包括前件和后件网络二部分,本文在后件网络中增加了一个隐含层以提高计算能力,在前件网络中运用了有效模糊规则选取的方法以提高收敛速度。最后将提出的网络结构应用于建筑工程的投标报价中,仿真结果证明:该网络能达到更高的误差精度、更快的训练速度和更好的泛化能力。     

储层含油性识别中ANN和GA融合的模糊规则提取

提出一种基于ANN和GA融合的自学习自适应的模糊规则提取算法,用来对油层进行识别.其方法是:首先运用人工神经网络(ANN)对训练样本进行有导师学习,网络的输入是测井属性,输出表达为网络权值和输入的函数Ψk=f(xi(WG1)ij,(WG2)jk)(其中:Ψk代表含油性类别Ck的判别函数;C1为干层;C2为水层;C3为差油层;C4为油层).然后,以Ψk作为遗传算法(GA)中的适应度函数提取对应于类别Ck的模糊规则.最后,通过某油田oilsk81和oilsk83油井的实证研究表明,该方法能够有效地识别储层的含油性.     

一种基于逆动力学模糊规则的自适应控制方法

将模糊控制规则归结为控制对象的逆动力学过程模糊辨识问题,提出了一种基于逆动力学过程模糊规则模型的控制算法,通过控制对象逆动力学过程模糊规则模型离线辨识,直接产生形成与控制对象运动规律相适应的初始控制规则,并根据对象逆动力学过程模糊规则模型在线辨识结果,对控制规则进行在线调整.仿真结果表明,所设计的模糊控制器具有良好的控制效果与适应性.     

集成范例推理系统的研究

首先研究了与范例推理相集成的多种技术,并着重研究了基于范例推理和规则推理的集成方法,以及基于范例推理和归纳技术的集成方法,以此来充分利用范例推理、规则推理和归纳学习技术的各自优势,提高智能系统求解问题的能力。     

基于小波规则的燃料电池电动汽车能量管理策略

通过分析影响燃料电池电动汽车燃料电池使用寿命的机理,提出一种具有实用性的基于小波规则的能量管理策略;根据负载瞬态功率需求,构建Haar小波双通道滤波器组,实现整车需求功率的小波一级功率分流,初步满足燃料电池的基频功率需求;结合基于规则的控制策略实现二级功率分流,以平衡峰值功率和负载高频波动功率;结合MATLAB-Sim...     

Deep Web查询接口的复杂模式匹配

Deep web中用户需通过查询接口才能得到其中的数据,查询接口一般形成属性间m:n复杂模式匹配。为统一相同领域的查询接口,本文提出了一个基于关联规则的匹配方法,从整体上双重匹配成组属性和同义属性。     

多车环境下智能货车的紧急转向决策及轨迹规划

决策与规划是实现自动驾驶的关键技术,针对自动驾驶货车在紧急转向避障时需要考虑换道时目标车道的安全性和规划出最优避障轨迹的问题,采用将换道时左右车道上的车辆与自车的相对距离和换道的最小安全距离的差值分别建立模糊关系的方法,通过比较模糊规则推理设计的安全值,选择更安全的车道进行转向避障,为了迅速规划出最优避障轨迹,采用三阶贝塞尔曲线,通过设计4个控制点坐标形成避障曲线,为了防止转向时横向加速度过大导致货车发生侧翻和速度过快与前车发生碰撞,设计车辆的稳定性边界和碰撞边界对控制点进行约束,使用MATLAB中的函数求解出不同车速下的最优换道轨迹,最后使用仿真软件进行仿真验证,结果表明设计出的避障决策和轨迹规划可以安全、有效地避开障碍。     

基于决策规则的决策形式背景的属性约简

决策形式背景的属性约简及其规则获取是形式概念分析领域的研究热点问题.基于决策形式背景的决策规则,研究了决策形式背景的属性约简问题.给出了决策形式背景的冗余规则的等价表示,以及决策形式背景的规则协调集的充分必要条件,定义了决策形式背景的辨识矩阵和辨识函数,给出了决策形式背景基于决策规则的属性约简方法,并举例说明了结果.     

基于支持度矩阵Apriori算法的钻井隐患关联挖掘

运用数据挖掘技术研究钻井作业事故隐患的分布规律及其内在机理,是迫切需要解决的重要课题。针对冗余、复杂的钻井隐患数据在挖掘过程中频繁项集丢失及其生成效率低的问题,提出一种基于支持度矩阵的Apriori算法。首先,引入布尔矩阵来表示事务数据库,避免了数据库的重复扫描。其次,通过事务矩阵相乘构造支持度矩阵来获得支持度从而简化支持度计算方法。最后,对算法的连接策略进行优化,简化了频繁项集的生成过程,且在运算过程中不断约简矩阵结构。在UCI数据集上进行实验,证明了改进后的Apriori算法能有效地提高执行效率。将该算法应用于钻井历史隐患数据的关联挖掘,挖掘结果能为安全管理者提供科学的决策依据,实现对钻井作业事故隐患有效识别和风险控制,具有重要意义和推广应用价值。