数据空间中一种灵活的集合式实体识别框架

数据空间是一个异构、动态的环境,具有随时间演化的特性.针对数据空间中随时间演化的、彼此间具有相互关联关系的大量异构实体,提出一个灵活的、基于演化的集合式实体识别框架TE-CER.TE-CER在实体识别过程中考虑时间信息和演化的影响,提出基于时间的blocking算法T-blocking和基于时间演化的聚类算法TE-Clustering.TE-Clustering聚类算法考虑了演化对实体相似度的影响,在相似度度量中引入属性演化系数和关联关系演化系数;在聚类过程中引入簇的时间约束.并且TE-CER提出基于识别顺序依赖图来确定集合式实体识别的识别顺序的策略,这样一种实体的识别结果可以用来后续另一种相关联实体的识别证据,以提高识别的准确率.在真实数据集上的大量实验结果表明所提出方法的有效性.     

面向建模误差PDF形状与趋势拟合优度的动态过程优化建模

本文提出一种新的数据驱动建模思路及方法, 即面向建模误差概率密度函数(Probability density function, PDF)形状与趋势拟合优度(相似度)的动态过程多目标优化建模方法. 首先, 针对均方根误差(Root mean square error, RMSE)等常规一维性能指标不能完全刻画建模误差在时间和空间二维随机动态特性的问题, 引入PDF指标来对动态过程的建模误差在时间和空间进行二维尺度的全面刻画和评价, 并采用核密度估计技术对关于时间的建模误差序列的PDF进行估计; 其次, 为了刻画动态过程数据建模的拟合趋势, 进一步引入趋势拟合优度指标, 从而构造综合描述数据建模误差PDF形状与趋势拟合相似性的多目标性能指标; 在此基础上, 采用NSGA-II算法优化数据模型的参数集, 获取一大类满足上述多目标性能优化的智能模型参数解. 数值仿真及工业数据验证表明, 所提方法的建模误差PDF逼近设定的期望PDF, 并且模型输出与样本数据拟合趋势接近, 好于常规最小化一维RMSE指标的数据建模方法.     

集成时空轨迹的动态属性网络表征学习

网络表征学习是当前信息网络数据表示的研究热点,相比于传统网络分析技术已显示出它的有效性和高效性.目前绝大多数研究仅将网络视为静态来处理,即网络结构不随时间演化而变化,而且很少考虑网络中丰富的节点属性信息,难以适应现实信息网络时刻变化的动态特性.同时考虑网络的动态性和节点属性,提出基于时空路径的动态属性网络表征学习(DAWalk),将结构特征与属性特征聚合为节点的嵌入表示.游走时空轨迹序列以捕获网络的结构特征以及动态演化趋势规律.在模型学习方面使用改进的自编码器模型,最小化序列中成对节点的距离损失,学习出序列节点对隐藏的高度非线性规律,使得学到的节点表示更具健壮性.实验表明,在可视化、链接预测、节点分类任务上,提出的DAWalk在3个数据集上的性能均优于其他基准算法.     

融合结构化信息与时序演化信息的多变量间歇性时间序列预测

复杂装备制造企业的售后配件需求不定时发生、需求波动大,导致需求数据呈现典型的间歇性、小样本特点.当面对间歇性程度高、突发需求较大的序列时,现有预测模型难以准确捕获其需求波动规律,无法有效预测配件需求走势.为提高多组配件的预测精度和稳定性,同时考虑序列间结构化信息和序列自身时序演化信息,提出一种新的多变量间歇性时间序列预测方法.首先,提出一种基于张量的轻型梯度提升机模型,通过张量分解,重构原始需求数据,修正序列中的异常需求值,并利用轻型梯度提升机对多组序列进行联合预测;然后,构建一种新的线性衰减修正模型,将修正因子引入线性衰减指数平滑方法,对每条序列分别预测需求量和间隔区间;最后,将2个预测模型进行加权融合,得到最终预测结果.分别在2个复杂装备制造企业的售后配件需求数据集上进行实验验证,实验结果表明,与多个时间序列预测算法相比,所提出方法能够有效预测需求波动趋势,提升预测精度和数值稳定性.     

组合模型在商业银行信用风险评估中的研究

研究商业银行信用风险评估问题,商业银行信用风险评评估涉及指标相当多,各指标间呈非线性关系且存在严重冗余信息,传统评估方法不能很好消除冗余信息,只能反映指标间的线性关系,导致风险评估准确率低.为了提高商业银行信用风险评估的准确性,提出了一种粗糙集理论(Rs)和BP神经网络(BPNN)相结合的商业银行信用风险评估组合模型(RS_BPNN).新模型首先利用粗糙集理论对各评估指标进行指标约筒,消除指标间的冗余消息,简化神经网络的网络结构,然后将约简后的数据输入非线性预测能力优异的BP神经网络进行训练,得到商业银行信用风险评估模型,最后采用中国工商银行某分行数据对组合模型进行仿真试验.仿真结果表明,与传统的BP神经网络模型相比,组合模型加快了网络的运算速度,提高风险评估准确率,获得评估结果更具科学性.     

面板数据下的灰色指标关联聚类模型与应用

针对面板数据聚类研究存在的问题及现实需要, 构建面板数据下新的灰色指标关联聚类(AGRA) 模型. 构造所有指标不同对象下时间序列的累加生成序列, 用生成序列的平均生成速率表征原序列的动态变化趋势; 单个指标所有对象的平均生成速率构成该指标的平均生成速率序列, 从而综合偏离、差离和分离的三重差异信息, 构建指标关联分析模型; 提出面板数据下Mean-AGRA灰色指标关联聚类算法, 并应用于我国区域生态环境评价指标的降维问题. 分析结果验证了所提出模型的实用性和有效性.

     

评估项目风险中协调偏好的DEA方法

针对于综合考虑项目风险评估问题中影响风险因素的正向指标和逆向指标,在分析DEA有效解和多目标规划Pareto解等价性的基础上,建立了基于DEA的协调偏好的风险评估模型,优化协调了具有相反评价指标的项目风险评估问题。根据模型构造的生产可能集,结合两种相反评价指标对风险评估的影响,给出了风险包络面的概念,通过选取两组移动因子和具有熵权的模糊综合评价方法,逐层缩小风险包络面对决策单元进行评估排序,改进了移动风险曲面排序风险的方法,实现了风险决策单元的完全排序,使得评估结果在一定程度上兼具主观性与客观性。最后通过一个对软件项目进行风险评估的实际算例,表明了该方法的合理性和有效性。     

基于波动特征的时间序列数据挖掘

针对相似度搜索是时间序列数据挖掘的基础,构造鲁棒的动态时间弯曲距离是相似性研究的关键,考虑时间序列特征点的重要意义,引入一种时间序列波动点的抽取方法,采用二叉特征树结构对原序列进行再表达.该方法既提取了序列整体趋势信息,又有效约减了数据维数.对多个数据集的层次聚类实验表明,在保证较高准确率情况下,该方法显著提高了DTW的计算效率.     

基于AR模型的动态模糊聚类算法

与传统的硬划分聚类相比,模糊聚类算法(以FCM为例)对数据的比例变化具有鲁棒性,能够更准确地反映数据点与类中心的实际关系,目前已得到广泛应用.然而对于时序基因表达数据来说,传统的聚类算法往往不能充分利用到数据中时间上的动态关联信息.因此可以在模糊聚类算法的基础上引入自回归(AR)模型,将时序基因表达数据作为一组时间序列进行动态的聚类分析.这样不仅可以充分利用到时序基因表达数据的内部自相关性,并且可以进一步利用隶属度函数对AR模型的预测过程进行模糊化调整,从而得到更为理想的聚类结果.     

基于形态特征的时间序列符号聚合近似方法

由于形态特征能够较为客观地反映时间序列的变化趋势,在时间序列数据降维过程中,形态特征的提取能够保留较为充分的数据信息,为提高后期的时序数据挖掘的效率提供可靠的保障。文中提出基于形态特征的时间序列符号聚合近似方法,综合考虑分段序列的均值和数据分布的形态特征,并且通过论域转化对它们实现符号转化。在相同的压缩比环境下,与传统符号化表示方法相比,该方法能更好地提供原始时间序列数据信息,进而提高时间序列数据挖掘的效率。     

具有传递变量的动态贝叶斯网络结构学习

针对现有学习方法对完全时间不对称数据的动态贝叶斯网络学习不具有实用性,提出一种借助传递变量进行完全时间不对称数据的动态贝叶斯网络结构学习方法.首先进行相邻时间片间的传递变量序列学习;然后,基于节点排序和局部打分一搜索,进行动态贝叶斯网络局部结构学习;最后通过时序扩展得到整个动态贝叶斯网络结构.     

模拟移动床过程的混杂系统建模方法

模拟移动床过程中连续变量与离散变量并存,属于典型的混杂系统.对此,从混杂系统的角度出发,在简化模拟移动床过程平衡扩散模型的基础上,探索一种新的模型表示方法.通过应用一些近似处理方法,导出了完整的一类混合整数动态模型,并通过对一种混杂非线性的Benchmark模型的仿真实验验证了所建立的混合逻辑动态模型的有效性.     

基于地标被动观测的飞航导弹INS误差估计方法

针对飞航导弹惯导系统(INS)单独使用时存在位置和速度估计误差发散的问题,以INS误差作为状态量,以导弹相对于地标的观测序列和高度表辅助INS估计信息解算的伪观测序列构造观测量,从便于工程实现的角度,提出一种迭代求解算法。迭代求解过程主要包括：利用平均去噪的思想降低测量噪声的影响、估计INS水平通道的位置和速度误差、对观测方程进行更新。仿真结果验证了所提出方法的有效性。     

一种基于多神经树集成的分类模型

针对数据挖掘领域分类问题的特点.提出了基于多神经树集成的分类模型(CMBNTE).该模型利用改进遗传规划算法和粒子群算法,实现单个神经树模型的优化;借鉴集成学习思想,将多个神经树模型组合成最终的分类模型.在6个UCI数据集上的实验结果表明,该模型能较好地解决分类问题,尤其适用于多分类属性的复杂分类问题.     

基于最小包含球的非静态大数据集的快速分类算法

对于小规模的非静态数据,最近提出的时间自适应支持向量机(TA-SVM)方法表现出良好的性能,它从兼顾局部优化和全局优化的角度同时求解多个子分类器的特性.但对于大数据集,较高的计算代价限制了它的实用性.针对此不足,结合核心向量机(CVM)理论提出了针对非静态大数据集的新颖分类方法,即基于中心约束最小包含球(CCMEB)的TA-CVM,简称CCTA-CVM.该方法具有渐近线性时间复杂度的优点,同时继承了TA-SVM的良好性能.最后通过实验验证了所提出方法的有效性.     

基于密度算子的多阶段群体评价信息集结方法及其应用

在群体评价中,已有的信息集结算子大都没有考虑到信息分布的疏密情况.针对这种不足,提出一种基于密度算子的多阶段群体评价信息集结方法.首先给出了评价数据的分组与密度加权向量的确定方法;然后定义了两种新的算子-密度算术加权平均算子(DMWAA)和密度有序加权平均算子(DMOWA),并分别用于评价信息的横向和纵向集结;最后给出了一个应用算例,结果表明该集结方法具有定性判断与定量分析等优良特性,且可拓展性强.     

一类基于优势关系的不完全信息多属性决策方法

针对属性权重和属性值信息均不完全,且含有非线性形式的多属性决策问题,提出一种基于优势关系实现方案择优与排序的决策方法.首先定义方案优势、弱优势和潜在优关系,构建等价的非线性规划模型,确定优势和潜在优方案;然后揭示、论证了非劣集与潜在优集的关系,提出了方案优势度指标,并据此给出了方案择优与排序的实现步骤;最后,提出采用变量替换法求解非线性决策模型.实例计算结果表明,所提出的方法是可行且有效的.     

基于灰色凸关联度的面板数据聚类方法及应用

研究面板数据的聚类方法。基于二维灰色凸关联度,用二阶差商近似代替二阶导数,利用黑塞矩阵的半正定性在三维空间中定义凸度;用数据的凸性表征样本之间的相似程度,提出了三维灰色凸关联度的概念,讨论了三维灰色凸关联度的性质。实例分析表明,三维灰色凸关联度能够较好地反映面板数据的关联程度。     

加权多模型最优化控制器在中厚板层流冷却系统中的应用

针对层流冷却过程中冷却精度低的问题, 提出一种基于加权多模型的控制方法. 首先对历史数据丰富的中厚板, 实现精确控制. 对于生产批次少、生产量小的中厚板, 采用多个模型加权的方法获得加权冷却模型, 并在线提高终冷温度的控制精度. 对于首次出现的中厚板, 利用最接近该厚度的加权系数实现初始控制, 同时实时调整加权系数, 以满足控制精度的要求. 仿真结果表明了该方法的有效性.     

基于模型的网络化控制系统量化反馈镇定

研究一类线性不确定网络化系统信息受限情况下的模型控制问题.在被控系统和模型系统通过带宽受限网络相连的情况下给出了有效的量化方法,使得量化值能够在量化器的容许范围之内,并给出了系统在一定条件下渐近稳定的充分条件.最后的仿真算例表明了所提出方法的可行性.