基于集值信息系统的改进粗集模型

提出了一种新的带有参数的改进容许关系,并讨论了基于该容许关系的粗糙集扩充模型,证明了相关定理。理论分析表明,通过合理设置参数值,可使新扩充模型比以往模型具有更好的分类效果,从而提高了对数据预测、分类的准确度。实例分析进一步验证了改进容许关系及其扩充模型的优越性。     

基于粗糙集理论的振动信号数据挖掘研究

利用转子试验台,采集了转子不对中、支座松动和转子碰磨等三种振动信号。以采集到的部分振动信号为例,在时域上进行小波变换的能量特征提取。并以能量为特征参数,利用粗糙集理论对采集到的信号进行数据挖掘和获取故障规则。在获取的规则基础上,对余下的振动信号进行了验证,结果表明诊断全部正确,规则是有意义的。     

基于信息融合技术的火灾报警方法研究

根据当今火灾探测的现状和实现火灾早期报警的需求,将多传感器数据融合技术应用在火灾报警系统中。在分析了信息融合系统的三级结构及火灾报警信息非结构特性的基础上,以感温、感烟和气体的火灾报警模拟量为输入,利用粗糙集和神经网络对多传感器信号进行融合,设计出一种快速、准确和有效的火灾探测系统,达到了提早报警和降低误报警频次的目的。     

基于粗糙集与证据理论的防空作战态势评估方法

针对防空作战战场态势评估问题,提出一种基于粗集与证据理论综合评判的评估方法,并建立战场态势评估指标体系.通过对联合防空作战过程这一是实例的分析,表明此方法对当前战场态势可给出有效的综合评价和理解,具有较高的可信性.     

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。     

UAV发射平台调平系统的NSSCA-PID控制方法

PID控制器是目前实现UAV(Unmanned Aerial Vehicle)发射平台在复杂环境下的自适应调平的主要手段,其控制性能取决于参数整定的品质。基于经典的正弦余弦算法架构,提出了一种嵌入边界缓冲策略的邻域搜索正弦余弦算法(Neighborhood Searching Sine Cosine Algorithm,NSSCA)用于整定PID控制器参数。以单位阶跃信号作为调平系统输入,邻域搜索正弦余弦算法优化PID控制调平系统的上升时间为0.04 s,调整时间为0.106 s,最大超调量为5.44%,表明邻域搜索正弦余弦算法对PID控制器参数的整定效果优于Z-N法、遗传算法、灰狼优化算法和经典正弦余弦算法。     

局部凸空间中的压缩映射

本文将压缩映射原理推广到Ｈａｕｓｄｏｒｆｆ局部凸空间,证明了几个不动点定理。     

基于粗集理论和遗传算法的知识获取方法研究

知识获取是故障诊断专家系统得以广泛应用的“瓶颈”问题，本文提出了一种基于粗糙集理论和遗传算法的知识获取的新方法，在一定程度上解决了这一问题。首先利用粗糙集理论从数据信息中直接推导出诊断规则，然后利用遗传算法对这些规则进行学习。最后以卫星电源分系统故障模拟实验台产生的数据为例，证明该方法能够有效的获取知识，为解决知识获取难的问题提供了一条新思路。     

基于区域特征光谱的自组织特征映射神经网络高光谱图像主成分提取方法

非监督分类算法用于高光谱图像主成分提取时存在分类精度受数据分布状态和噪声影响大的缺点,导致提取效果差。论文提出基于空间信息的神经网络非监督分类主成分提取算法,该算法首先通过空间邻域自动聚类提取区域特征光谱替代像元光谱作为自组织特征映射神经网络的训练样本,经过训练神经网络自适应获取高光谱图像地物类别特征,最后通过对光谱矢量聚类完成主成分的统计和提取。论文提出采用区域特征光谱替代单象元光谱作为训练样本有效抑制了噪声对分类结果的影响,同时显著减少了神经网络的数据处理量,使主成分得到快速准确地提取。对深圳红树林自然保护区高光谱图像的仿真结果表明:神经网络训练样本数降低了约95%,更重要的是算法快速准确地提取了主成分,提取效果明显好于K-均值算法。