基于粗糙集和证据理论的设备状态评估方法

为准确判定复杂设备健康状态,提出一种基于粗糙集理论和证据理论的健康状态评估方法。鉴于粗糙集只能处理离散指标,首先提出一种基于动态模糊C-均值聚类算法的连续型评估指标的离散化方法;再通过基于互信息的属性约简算法对复杂设备健康状态评估指标进行约简;然后对约简的评估决策表进行处理,构建基本信度分配函数;最后利用D-S合成规则进行多指标合成得到健康状态,进一步挖掘评估指标与健康状态间的关系。实例研究及对比分析表明该方法能有效提高决策可信度,减少评估的不确定性。     

目标运动要素自主隐蔽解析的微分进化策略

针对传统目标运动要素自主隐蔽解析中存在的噪声适应性差等问题,提出要素自主解析的微分进化策略。首先,简要论述了目标运动要素的自主隐蔽解析过程;其次,推导要素自主解析的协方差传播过程,给出目标运动要素方差与目标观测方位方差的对应关系,分析方位观测均方差对要素自主解析结果的影响;再次,提出了微分进化算法对自主解析模型的优化策略;最后,对优化策略进行仿真验证。结果表明,当方位存在0.1°的均方误差时,初距D₀均方误差约为12 Cab,速度分量V_mx、V_my均方误差分别约为5 Kn、6 Kn,通过微分进化策略优化后明显提高了要素自主解析结果的精度。     

复杂仿真系统重用模型可信度评估方法

在资源高度共享的今天,模型重用可增强仿真应用的灵活性和可扩展性,是复杂仿真系统构建的必然选择。然而,评估多模型组合仿真下的可信性是模型能否实现有效重用的基本问题。针对面向实物和面向数值解算两个不同应用环境的仿真模型重用,提出基于偏差传播的仿真重用模型可信度评估方法,详细介绍了各自建模方式及评估方法。以无人机复杂仿真系统为例,通过与经典可信度评估方法对比,说明了该方法可降低在重用模型可信度方面的评估难度,验证了方法的可行性。     

基于SIRV病毒传播理论的装备保障网络级联失效分析

针对装备保障网络遭受敌方攻击时所显现出的复杂性现象,对比分析网络级联过程与病毒传播过程的相似性。在已有的负载容量级联故障传递模型基础上,融入了病毒免疫传播的过程,定义保障节点的4种不同状态,构建基于病毒免疫传播理论的装备保障网络级联传递模型,更好地再现了我方保障机构受到敌方实际打击和舆情攻击时的真实状况。通过仿真对比分析表明,在防御资源有限和时间迫切的情况时,优先考虑主动免疫策略,能够取得较好的抵御级联失效的效果,还可以辅助实施目标免疫策略,从而使装备保障网络具有较强的健壮性和较好的恢复能力。     

客户关系管理中客户知识发现的一种分析方法

研究了客户关系管理(CRM)中的客户知识发现问题。在分析了客户知识发现的含义和客户知识分类的基础上,提出了一种客户知识发现的分析方法。依据该方法,通过采用模糊聚类方法可确定影响CRM效果的关键属性集,进而可归纳发现客户知识的分类规则,并得到有价值的客户知识。最后给出了一个实例分析。     

考虑企业风险感知的R&D网络风险传播建模与仿真

考虑企业风险感知的基础上,借鉴传染病模型(SIS)思想,将企业状态分为未发生风险有感知、未发生风险无感知和发生风险有感知3种。在此基础上构建了R&D网络风险传播的模型,并进行了数理解析与仿真分析。结果表明：R&D网络风险传播存在稳定状态下的解,即风险传播阈值,该阈值是由企业的风险感知、风险恢复率以及企业间的合作紧密程度决定;考虑风险感知的R&D网络比未考虑风险感知的研发网络具有更高的鲁棒性;随着企业风险恢复概率的不断增大,风险在R&D网络的传播范围越小;企业的风险感知对风险传播速度与传播范围均具有负向影响。该研究成果对于提高R&D网络的抗风险能力具有重要意义。     

一种基于三角模糊数多指标信息的聚类方法

针对一类特征指标值及指标权重均为三角模糊数的多指标信息聚类问题,提出了一种新的最大树聚类分析方法。首先对三角模糊数多指标信息聚类问题进行了描述;然后依据传统的基于数值信息的最大树模糊聚类分析方法的基本思路,给出了解决三角模糊数多指标信息聚类问题的计算步骤。最后,通过算例说明了本文给出的聚类方法。     

基于属性稀疏特征差异度的动态抽象聚类方法

针对高属性维稀疏数据聚类问题,提出高属性维稀疏信息系统概念,给出一种新的基于稀疏特征差异度的动态抽象聚类方法。该方法的优势在于可伸缩性强,是一种面向属性稀疏特征,通过稀疏特征差异度可动态地、有效地实现对属性的归并,且具有一定容错性。该方法将在高属性维稀疏数据挖掘中起重要的作用。     

一种基于自组织特征映射网络的聚类方法

针对传统聚类算法不能有效地处理大数据集和高维数据集的问题,提出了一种基于自组织特征映射网络的聚类方法。该方法能将任意维输入模式在输出层映射成一维或二维离散图形,并保持其拓扑结构不变,而且无需监督,能自动对输入模式进行聚类。给出了应用该方法的具体步骤和加速自组织过程的若干改进方法,通过仿真实验证明该算法的有效性。     

Improved fuzzy identification method based on Hough transformation and fuzzy clustering

This paper presents an approach that is useful for the identification of a fuzzy model in SISO system. The initial values of cluster centers are identified by the Hough transformation, which considers the linearity and continuity of given input-output data, respectively. For the premise parts parameters identification, we use fuzzy-C-means clustering method. The consequent parameters are identified based on recursive least square. This method not only makes approximation more accurate, but also let computation be simpler and the procedure is realized more easily. Finally, it is shown that this method is useful for the identification of a fuzzy model by simulation.