代价敏感惩罚AdaBoost算法的非平衡数据分类

针对非平衡数据分类问题，提出了一种基于代价敏感的惩罚AdaBoost算法。在惩罚Adaboost算法中，引入一种新的自适应代价敏感函数，赋予少数类样本及分错的少数类样本更高的代价值，并通过引入惩罚机制增大了样本的平均间隔。选择加权支持向量机（Support vector machine,SVM）优化模型作为基分类器，采用带有方差减小的随机梯度下降方法（Stochastic variance reduced gradient,SVRG）对优化模型进行求解。对比实验表明，本文提出的算法不但在几何均值（G-mean）和ROC曲线下的面积（Area under ROC curve,AUC）上明显优于其他算法，而且获得了较大的平均间隔，显示了本文算法在处理非平衡数据分类问题上的有效性。     

基于字典学习的混合采样数据分类方法

混合采样数据不仅仅具有不同采样频率数据之间特征集合不同,还有样本数量不一致等特点,传统的分类方法不能直接使用。因此,本文提出一种基于Fisher判别准则字典学习的混合采样数据分类方法以处理采样数据的分类任务。该模型巧妙借助处理多视图数据的分类思想,利用基于Fisher判别准则的字典学习方法,生成的结构化字典的每个原子与数据的类标签相关,同时采用Fisher判别准则使类内散度更小,类间散度更大来约束编码系数矩阵,从而大大提升分类性能。此外,本文针对混合采样数据的样本数量不一致特点,设计了混合采样数据判别分析模型的分类方案。最后实验结果验证了本文方法的有效性。     

峰值点非负矩阵分解聚类算法

非负矩阵分解模型是一种常见的数据降维方法。在现有非负矩阵分解算法用于聚类的研究中,每个类别一般仅由一个或者指定多个中心点表示,然而这种表示方式往往无法准确描述其类别的特征和结构,从而影响聚类效果。为了解决这个问题,本文提出了峰值点非负矩阵分解算法。该算法首先为数据集找到多个密度峰值点,并构建密度峰值点和样本点的二部图,然后利用二部图完成聚类。此外该算法引入流形图正则化项来充分利用数据间的流形结构信息,并给出了算法的迭代更新规则。在大量真实数据集上的实验结果表明,该方法可以更加有效地利用数据本身的结构信息,从而提高聚类效果。     

基于非均匀数据细分曲面重建的数据测量技术研究

为了提高细分曲面重建质量和效率，在对非均匀数据细分曲面重建算法研究的基础上，根据算法对数据的需求，给出了一种针对非均匀数据细分曲面重建算法的数据测量方法，并采用该方法对某型摩托车进行了测量重建。     

RANDOM TERRAIN MODEL

在超低空突防技术研究过程中，需要对ＴＦ／ＴＡ算法进行测试。为了解决一个实时测试问题，本文在将地形定义为相关性是指数衰减的随机过程的基础上，给出了一个离散的两维一阶自递归算法产生随机地形数据。对不同的地形情况测试了ＴＦ／ＴＡ优化算法，该算法拥有可调的粗糙度参数。     

基于局部密度的单类分类器LP改进算法

为了提高基于支持域的单类分类器识别率,提出将局部密度加入到分类器设计当中。在Campbe ll等的LP算法基础上,通过k近邻方法对每个样本点引入局部密度因子pi,重新刻画了原算法,使处于不同密度区的数据对分类器的作用不再被同等对待,高密度区的数据对分类超平面作用被强化,而低密度区的数据被削弱,结果使分类超平面自动靠近高密度区而提高了识别率。真实数据集上的实验结果表明,引入局部密度的D-LP算法其泛化性能较原算法有较大提高。     

非圆形截面复合材料机身屈曲优化设计研究

为了降低BWB机身弯曲应力、提高屈曲稳定性,在150座BWB民机复合材料三舱室机身结构的基础上,提出了改进的Y形和弧形加强三舱室机身设计模型;利用零阶参数优化算法,对3种机身结构进行了静力与线性屈曲优化分析,获得了较为合理的三舱室机身布局方案,为BWB民机机身设计提供了重要技术参考.     

抽油机故障诊断的分布驱动主动学习算法

抽油机示功图直观显示了抽油机工作情况，但实际工况情况呈现典型的长尾分布特性，类别严重不平衡。传统方法无法准确识别小类别工况，也无法获得井下工作状态准确识别。针对这一问题，提出一种基于分布驱动的多类别长尾数据代价敏感主动学习算法（Cost-sensitive active learning algorithm based on distribution -driven multi-class long-tailed data， CALA）。首先，考虑数据分布特性，以最小化代价为优化目标确定数据的最佳聚类簇数；其次，通过加入预分类误差代价来更新之前得到的最佳聚类簇数；然后，构建集成分类模型作为分类器；最后，通过迭代来平衡数据分布。采用某油田真实的示功图数据进行测试，显著性实验分析证明CALA在小类别工况诊断上具有更好的性能。     

基于深度自编码器的终端区异常航迹识别方法及其在航迹聚类中的应用（英文）

异常航迹识别与交通流分类对复杂空域的安全与效率分析是重要的。一些研究人员使用基于密度的无监督聚类算法提取空域中这两种与管制行为相关的航迹数据。然而,数据质量问题和交通流之间的微小密度差异是这项工作的两个主要难点。为了解决这两个问题,本文提出一种结合稳健自编码器模型(Robust deep auto?en?coder,RDAE)和密度峰值(Density peak,DP)聚类算法的框架。具体地,通过不同的正则化优化方式使得RDAE模型分别用来重构去噪航迹与异常航迹检测。然后,RDAE模型的Encoder输出的非线性降维向量作为DP聚类算法的输入以分类空域中全局的交通流。在含有标签的广州白云机场数据集上的实验表明,所提算法能够自动地捕捉到空域内飞机运动的非常规时空交通模式。RDAE在异常航迹检测以及所提框架在交通流分类上的优越性均通过可视化与定量的结果评估分析。     

进化规划在频率采样型FIR滤波器设计中的应用

频率采样技术是FIR数字滤波器设计的常用方法之一.使用此技术设计数字滤波器时为了使阻带内的衰减最大,必须确定过渡带中的样本值,通常采用的是查表法,但查表法不能保证所得数据是最优的.进化规划是一种随机优化技术,它可以发现全局最优解.本文介绍了进化规划在频率采样技术中的应用,结合FIR数字低通、带通滤波器设计的两个例子,给出了算法实现的具体操作步骤和实验结果.实验数据表明,采用进化规划确定的频率过渡带样本值是最优的,设计的FIR滤波器的频率特性优于查表法.     

基于区分矩阵的多粒度属性约简

多粒度是粒计算领域的重要研究方向之一,它在两个或多个不同的粒度下进行问题求解,已经成为解决复杂问题的一种新的范式。属性约简作为粗糙集理论的核心内容之一,已被成功地应用于粒计算、数据挖掘等领域。将多粒度思想应用于属性约简将是一个有意义的研究方向。为此,本文运用粒计算理论中的粒化思想进行属性粒化,构造多个属性粒;然后基于属性粒上的区分矩阵计算属性粒的重要度和属性粒中属性重要度;最后利用这两种重要度设计了一种多粒度属性约简算法。通过在不同的粒中挑选属性,该算法得到的约简结果更具有代表性和差异性。本文利用6个数据集对提出的多粒度属性约简算法的性能进行测试,实验结果表明了提出算法的有效性。     

基于最大熵的自动确定多阈值方法

针对图像多阈值分割中,人为给定而非自适应确定图像分类个数的缺点,结合一种基于最大熵的多阈值快速算法,同时考虑阈值及图像分类个数的影响,提出了自适应确定分类个数的判据。该算法不仅能够快速确定阈值,同时可以确定分割图像的分类个数。实验结果表明,该算法效果理想。     

A Generative Adversarial Nets Method for Monitoring Data Generation on Aircraft Engines

A sufficient sample size of monitoring data becomes a key factor for describing aircraft engines state.Generative adversarial nets(GAN)can be used to expand the sample size based on the existing state monitoring information. In the paper,a GAN model is introduced to design an algorithm for generating the monitoring data of aircraft engines. This feasibility of the method is illustrated by an example. The experimental results demonstrate that the probability density distribution of generated data after a large number of network training iterations is consistent with the probability density distribution of monitoring data. The proposed method also effectively demonstrates the generated monitoring data of aircraft engine are in a reasonable range. The method can effectively solve the problem of inaccurate performance degradation evaluation caused by the small amount of aero-engine condition monitoring data.     

基于协调权的案例学习群决策分类方法

基于案例学习的决策方法具有易于理解、贴近 实际决策过程的优点,成为当前决策领域的一个研究热点。文中针对如何有效地集成不同决 策专家提供的案例信息,提出了一种基于协调权的案例学习群决策模型用以解决多属性分类 决策问题。该方法首先针对各决策者给出不同案例数据,通过构建混合整数规划模型,识别 出具有一致案例信息重要度最大化的典型案例集。然后设计了分类阈值远离程度最大化模型 ,以此确定兼容各个决策者案例信息的指标权重（协调权）和最优分类阈值,由此构建一致 性的效用函数并应用获得的阈值进行分类决策。最后通过案例研究以及与其他模型的比较分 析,验证了方法的可行性。     

基于粗糙集特征选择的过拟合现象及应对策略

在粗糙集方法中,利用向前启发式算法进行特征选择,是一个逐步加入重要度最高的特征的过程,直至满足所给定的约束条件。但使用这一策略选择出来的特征子集有可能产生过拟合现象。鉴于此,设计了一种新的启发式算法,其主要思想是借助交叉验证的方法对特征的重要度进行计算,当过拟合出现时,则采用截断式机制终止算法。使用邻域粗糙集模型,在UCI数据集上将启发式算法与所提算法进行对比分析,实验结果表明:所提算法能够有效地降低过拟合的程度;利用所提算法得到的特征子集能够带来更好的分类性能。     

层次分析法在多目标决策中的应用

由于定量型多目标决策的各指标值均为数量，因而按９度法建立各指标下的判断矩阵就很困难，限制了层次分析法在这一领域的运用，作者对此做了较深入的研究，认为层次分析法求解定量型多目标决策问题是可行的。为了便于构造判断阵，将决策中的所有指标分为正向指标、逆向指标和中心指标三类，同时给出了构造这三类指标的判断矩阵的方法，而且构造出来的判断矩阵自然满足一致性要求。给出的方法简单有效，并扩展了层次分析法的应用领域     

非静止轨道卫星网络中Hopfield神经网络路由算法

应用Hop fie ld神经网络路由算法能够解决全球无缝覆盖的W a lker de lta卫星通信网络中的路由问题。模拟退火算法作为一种全局优化的方法能够解决神经网络迭代运算中的振荡环问题,消除Hop fie ld神经网络计算局部稳定状态。Hop fie ld神经网络路由算法需要大量的神经元,消耗大量的运算时间。本文提出一种适合卫星网络运算的神经元数量减少的神经网络路由算法,根据卫星网络半径,削减神经元数量、加快运算时间。根据中轨和低轨卫星网络卫星数量的差异,在仿真过程中选择Hop fie ld神经网络的最优参数,比较不同源-目标节点对、不同时刻和不同收敛判决门限时的算法性能。     

用遗传算法求解柔性作业车间调度问题(英文)

古典作业车间调度问题已经被研究了几十年并证明为 NP-hard问题。柔性作业车间调度是古典作业车间调度问题的扩展 ,它允许工序由一个机床集合中的任意一台加工 ,调度的目的是将工序分配给各机床 ,并对各机床上的工序进行排序以使完成所有工序的时间最小化。本文采用遗传算法进行柔性作业车间调度研究 ,针对柔性作业车间问题提出了一种新颖直观的基因编码方法 ,从而取消了运用遗传算法求解作业车间问题时为使基因合法化而进行的基因修复过程 ,仿真结果表明用该遗传算法解决柔性作业车间调度问题是有效的。     

采用ABC算法的关节机器人动力学参数辨识

实验辨识机器人动力学参数是获取基于模型的控制器参数的主要方式。针对一般方法仅能辨识线性动力学模型从而辨识精度不高的问题,提出采用人工蜂群(Artificial bee colony,ABC)算法辨识机器人动力学模型。通过Newton-Euler法建立关节型机器人的刚体动力学模型,并用低速动态特性更佳的非线性摩擦模型描述关节间摩擦特性,代替传统的库仑-黏性摩擦模型。优化辨识实验所用的激励轨迹,采集实验数据进行必要的预处理后,采用ABC算法辨识机器人动力学参数。结果表明,ABC算法能够精确辨识动力学参数,基于辨识结果的预测力矩抑制了误差峰值的出现。应用辨识结果设计基于模型的前馈控制器,实验结果表明基于模型的控制器能够提高轨迹跟踪精度。