内平衡系统多目标最优模型降阶研究

土木工程结构模型的自由度数目很大,按照原结构模型设计的控制器阶次非常高,从而导致主动控制和半主动控制实施过程中时滞效应十分突出.首先采用均衡实现技术对结构模型的状态变量重新排序形成内部均衡的模型,然后分别基于系统的可观度和可控度指标与内平衡系统二次型性能指标来进行结构模型降阶,略去对结构动力反应贡献小的状态变量.通过对Highway Bridge的Benchmark模型进行多目标模型降阶计算,得到最优的降阶模型,说明方法的可行性和有效性.     

基于Kriging模型与重要性抽样的可靠性灵敏度分析

针对因无法获得功能函数的梯度信息而不能使用解析方法的情形,提出了进行可靠性灵敏度分析的高效的仿真方法,首先基于Kriging模型和重要性抽样去计算失效概率,然后通过记分函数(score function)方法求出失效概率对各个参数的偏导数。在计算失效概率时采用反问题(inversion problems)中的不确定性逐步减少(stepwise uncertainty reduction)准则来更新功能函数的Kriging模型,继而在重要性抽样的框架下将失效概率表示成一个"增大"的失效概率与修正项的乘积;而记分函数方法只是对前面抽样方法的一个简单后处理,不需要计算额外的功能函数值.对所提方法使用算例验证表明:当功能函数为昂贵的计算模型或对系统(非单个构件)进行灵敏度分析时,该方法具有较高的计算效率和精度。     

Multi-label dimensionality reduction and classification with extreme learning machines

In the need of some real applications, such as text categorization and image classification, the multi-label learning gradually becomes a hot research point in recent years. Much attention has been paid to the research of multi-label classification algorithms. Considering the fact that the high dimensionality of the multi-label datasets may cause the curse of dimensionality and wil hamper the classification process, a dimensionality reduction algorithm, named multi-label kernel discriminant analysis （MLKDA）, is proposed to reduce the dimensionality of multi-label datasets. MLKDA, with the kernel trick, processes the multi-label integrally and realizes the nonlinear dimensionality reduction with the idea similar with linear discriminant analysis （LDA）. In the classification process of multi-label data, the extreme learning machine （ELM） is an efficient algorithm in the premise of good accuracy. MLKDA, combined with ELM, shows a good performance in multi-label learning experiments with several datasets. The experiments on both static data and data stream show that MLKDA outperforms multi-label dimensionality reduction via dependence maximization （MDDM） and multi-label linear discriminant analysis （MLDA） in cases of balanced datasets and stronger correlation between tags, and ELM is also a good choice for multi-label classification.     

属性约简的两阶段遗传算法

属性约简是数据挖掘的一个重要研究内容. 为了解决具有多种属性类型的决策表约简问题,在粗集和二元关系聚合理论的基础上,利用属性重要性作为评价标准,提出了一种两阶段遗传约简算法. 算法的第一阶段是为了找出尽可能多的约简,第二阶段力求寻找最小约简. 根据算法每个阶段的目标设计了编码方案、种群规模、适应度函数、终止条件、选择、变异和修正操作. 实验表明,与标准遗传算法相比,两阶段算法在计算最小约简时更为准确和稳定.     

基于模型预测控制的跳跃式再入制导算法研究

针对深空探测跳跃式再入返回飞行任务,提出了一种快速的再入制导算法,该算法基于模型预测控制（model predictive control,MPC）理论和近似动态规划（approximate dynamic programming,ADP）技术,将再入制导问题转化为两点边值问题,然后采用高斯伪谱法（Gauss pseudospectral method,GPM）求解该问题,实现快速制导计算。同时为了达到制导精度和制导效率的综合最优,提出了一种数值预报校正（numerical predictor-cor-rector,NPC）制导算法和快速再入制导算法融合的分段混合制导策略,该策略能对快速制导算法带来的制导偏差进行及时的修正,从而保证制导精度。蒙特卡罗仿真实验表明,与传统的数值预报校正制导算法相比,快速混合制导算法不仅能保证较高的制导精度,而且大幅减少了平均制导计算耗时,具有极大的在线应用潜力。     

单增序列灰色GM(1,1)模型解之间的误差分析

针对单调增长原始数据序列, 文章在理论上讨论白化型与内涵型GM(1,1)(grey forecasting model)模型解之间的相对误差. 在推导出两个模型解之间的相对误差上界表达式的基础上, 作者研究了相对误差上界函数的性质, 讨论了相对误差一致上界关于原始数据序列长度n的单调性. 结果表明当发展系数位于[-1/(n+1),0]内时, 白化型与内涵型GM(1,1)模型解之间的相对误差上界是0.9%,可以合理使用白化模型代替内涵模型; 而发展系数在区间[-2/(n+1),0]内时, 这两个模型解之间的相对误差可能达到8.64%, 此时白化模型代替内涵模型须较谨慎地使用.     

测试代价敏感的粗糙集方法

在粗糙集模型中,α量化不可分辨关系是强与弱不可分辨关系的推广形式.然而值得注意的是,基于这三种不可分辨关系的粗糙集并未考虑数据中属性的测试代价.为解决这一问题,提出了测试代价敏感的α量化粗糙集模型,从二元关系的角度使得粗糙集模型代价敏感,并将新模型与基于强不可分辨、弱不可分辨以及传统α量化不可分辨关系的粗糙集模型进行了对比分析.进一步地,通过分析传统启发式算法在求解约简的过程中未考虑降低代价这一不足之处,提出一种新的属性适应性函数,并将其应用于基于遗传算法的约简求解中.实验结果表明该方法不仅可以降低由边界域所带来的不确定性而且同时降低了约简后的测试代价.     

钢包调度仿真软件包的设计与实现

钢包的优化配备对于钢铁生产过程中的节能，降耗起着重要的作用。针对钢包调度过程的复杂性，难于建立精确数学模型的特点，从钢包调度专家经验中提取钢包选配规则，建立钢包优化配备的优先级，基于规则和优先级混合编制策略开发了钢包调度仿真软件包，讨论了其结构和功能。为方便现场调度专家随时监控钢包的行为，开发了可视化钢包动态模拟画面，利用在线数据，进行离线仿真。经某钢厂在线测试结果表明：该软件可以提高钢包计划编制的精度，减少钢包在线调整的次数，充分利用红包以达到了节能、降耗的作用，为进一步在工程上应用奠定一定的基础。     

一种基于新的条件信息量的属性约简算法

为了获得决策系统中更好的相对约简,讨论了属性约简与条件信息量的关系,提出了新的条件信息量,由此定义新的属性重要性。统一了一致决策表和不一致决策表属性约简方法,以新的属性重要性为启发信息,给出了计算新的条件信息量的高效算法。理论分析和实验结果表明,与现有的基于条件信息量的约简算法相比,该算法时间复杂度较低,同时约简后的属性数目更少。     

黑龙江省低山丘陵区水保措施减蚀效应研究

黑龙江省低山丘陵区土壤贫瘠,农业生产活动剧烈,加之降雨多以夏季暴雨为主,造成了严重的土壤侵蚀现象。通过对宾县三岔河小流域7个试验小区径流和产沙观测资料的分析,总结得出不同水保措施下的水土保持效益,为合理安排耕作方式提供参考。图1,表2,参16。