基于遗传算法的SVM多分类决策树优化算法研究

设计一种基于遗传算法(GA)的支持向量机(SVM)多分类决策树优化算法,以克服因传统SVM多分类决策树结构固定,单个SVM节点在树中位置随意而引起"误差积累"现象严重的缺陷.采用了SVM分类间隔作为GA适应度函数.利用GA在每一决策节点自动选择最优或近优的分类决策,最终自适应地实现了对决策树的优化.仿真实验表明,与传统方法相比,所提出的方法可使"误差积累"现象明显降低,分类质量大大提高.     

一种基于FCOWA-ER 的SVM多分类方法

支持向量机(SVM) 在处理多分类问题时, 需要综合利用多个二分类SVM, 以获得多分类判决结果. 传统多分类拓展方法使用的是SVM的硬输出, 在一定程度上造成了信息的丢失. 为了更加充分地利用信息, 提出一种基于证据推理-多属性决策方法的SVM多分类算法, 将多分类问题视为一个多属性决策问题, 使用证据推理-模糊谨慎有序加权平均方法(FCOWA-ER) 实现SVM的多分类判决. 实验结果表明, 所提出方法可以获得更高的分类精度.

     

决策树支持向量机多分类器设计的向量投影法

针对如何有效地设计决策树支持向量机(SVM)多类分类器的层次结构这个关键问题,提出一种基于向量投影的类间可分性测度的设计方法,并给出一种基于该类间可分性测度设计决策树SVM 多分类器层次结构的方法.为加快每个SVM子分类器的训练速度且保持其高推广性,将基于向量投影的支持向量预选取方法用于每个子分类器的训练中.通过对3个大规模数据集和手写体数字识别的仿真实验表明,新方法能有效地提高决策树SVM类分类器的分类精度和速度.

     

一种新的模糊自适应模拟退火遗传算法

针对遗传算法收敛速度慢,容易"早熟"等缺点,结合模糊推理,模拟退火算法和自适应机制,提出一种改进的遗传算法---模糊自适应模拟退火遗传算(FASAGA),并分析了该算法的性能和特点.实验研究表明,该算法比标准的遗传算(SGA)具有更快的收敛速度和寻优效果.

     

钢铁企业合同计划与余材匹配的集成优化方法

钢铁企业的合同计划和余材匹配的集成优化是解决钢铁企业面向订单生产的关键技术.由于该问题复杂,涉及因素多,求解难度大,对此提出一个带有提前拖期惩罚的联合计划优化的数学模型,并提出一种嵌有"优先适合启发式"的遗传算法.该方法利用背包问题的求解思路改进了染色体的性能,从而加快了遗传算法的求解速度.将该模型及算法应用于实际钢铁企业的计划编排中,取得了满意的效果.

     

基于直觉模糊关系的多主体联盟机制

提出一种新的联盟形成机制,以模糊数学为理论基础,着重研究个体间"满意度"和任务间"相似性"对联盟形成的影响,并将其表示为直觉模糊关系,通过模糊关系合成运算,得到新任务条件下agent间的"满意度".在此基础上,按不同阶段在不同范围内进行协商,从而有效降低了联盟形成的复杂性,并对其基本性质进行了分析.仿真实验表明了该机制的有效性.

     

基于观测器的不确定广义时滞系统鲁棒预测控制

针对一类不确定广义时滞系统,讨论了其基于观测器的鲁棒预测控制问题,给出了系统观测器型预测控制器的设计方法.通过构造带有误差项的Lyapunov函数,应用线性矩阵不等式,将无穷时域二次性能指标"min-max"优化问题转化为凸优化问题,得到了鲁棒预测控制器存在的充分条件和显式表达式.证明了优化问题在初始时刻的可行解能保证广义闭环系统渐近稳定且正则无脉冲.仿真实例验证了所提出方法的有效性.

     

基于柯西分布加权的最小二乘支持向量机

针对Suykens等提出的加权最小二乘支持向量机(WLS-SVM)回归建模的不足和防止辨识模型的"过拟合",利用柯西分布函数的一些特性,提出了基于柯西分布加权的最小二乘支持向量机.根据预测误差的统计特性,以确定加权规则的参数,从而赋予训练样本不同的权值.由于考虑了生产过程中样本的实际特性,与已有的加权方法相比,新的加权最小二乘支持向量机更具有鲁棒性.仿真结果验证了该方法的可行性和有效性.

     

基于自适应快速决策树的不确定数据流概念漂移分类算法

由于不确定数据流中一般隐藏着概念漂移问题, 对其进行有效分类存在着很多困难. 为此, 提出一种基于自适应快速决策树的算法. 该算法基于一般决策树算法的原理, 以自适应学习规则计算信息增益, 以无标记情景学习拆分原理检测不确定数据流中的不确定数值属性, 通过自适应快速决策树节点的拆分方法将不确定数值属性转化为不确定分类属性, 以实现对不确定数据流的有效分类, 进而有效检测到其中隐含的概念漂移现象. 仿真结果验证了所提出方法的可靠性.

     

极小-极大-加系统(F,G,H)的能达能观性

在数字电路中"两个时间信号通过逻辑电路的"与"门相当于极大运算,"或"门相当于极小运算.因此,极小-极大-加系统可用于数字电路的时间分析.对于非线性极强的极小-极大-加系统(F,G,H)引入了分别能达和上限能观的概念.利用图论的方法给出了极小-极大-加系统(F,G,H)的状态变量x_t为分别能达分量的充要条件,同时,还得到了x_t为上限能观分量的充要条件.

     

空间机器人视觉伺服半物理仿真的原理与实现

针对在地面很难对空间机器人目标捕获过程进行微重力环境下的真实实验问题,建立了半物理仿真系统,以对图像处理,路径规划以及控制等关键算法进行验证.该系统的关键在于将"虚拟环境"与"真实环境"结合起来,利用真实视觉对虚拟环境进行3D重构,以计算目标的相对位置和姿态,实现对视觉伺服控制的闭环仿真.从理论上推导了半物理仿真的原理,并提出了等效投影模型的标定方法.仿真结果表明了该方法的有效性.

     

基于可信度阈值优化的案例推理评价分类方法

为了提高案例推理(CBR) 分类器的性能, 提出一种基于可信度阈值优化的CBR 评价分类方法. 首先, 通过一种可降低时间复杂度的改进型可信度评价策略对案例重用得到的建议解的可信度进行计算; 然后, 通过遗传算法(GA) 对可信度阈值进行迭代寻优; 接着, 根据得到的优化阈值将目标案例及其建议解划分为可信集或不可信集; 最后, 对不可信集按多数重用原则进行分类结论的调整, 从而实现可信的CBR 评价分类. 对比实验表明, 改进的可信度评价策略能有效提高分类性能, 从而可提高CBR分类器的决策与学习能力.

     

高阶无模型自适应迭代学习控制

针对一类非线性非仿射离散时间系统,提出了高阶无模型自适应迭代学习控制方案.控制器的设计和分析仅依赖于系统的输入/输出(I/O)数据,不需要已知任何其他知识.该方法采用了高阶学习律,可利用更多以前重复过程中的控制信息提高系统收敛性,且学习增益可通过"拟伪偏导数"更新律迭代调节.仿真结果验证了所提出算法的有效性.

     

实现兼类样本类增量学习的一种算法

针对兼类样本,提出一种类增量学习算法.利用超球支持向量机,对每类样本求得一个能包围该类尽可能多样本的最小超球,使各类样本之间通过超球隔开.增量学习时"对新增样本以及旧样本集中的支持向量和超球附近的非支持向量进行训练,使得算法在很小的空间代价下实现兼类样本类增量学习.分类过程中,根据待分类样本到各超球球心的距离判定其所属类别.实验结果表明,该算法具有较快的训练,分类速度和较高的分类精度.

     

基于GA的网络最短路径多目标优化算法研究

针对现有基于遗传算法(GA)优化的网络最短路径算法存在优化目标单一,遗传编码质量低,搜索策略间平衡性差$适应度分配效率与灵活性较低等问题,建立一种多目标优化最短路径自适应GA模型.提出了优先级编码和优先级索引交叉算子,引入了遗传算子参数的模糊控制机制和基于自适应加权的适应度分配方法.实验结果表明,该算法的准确性和稳定性高,复杂度合理,实现了对网络设计优化中多目标最短路径问题的高质量求解.

     

基于瞬态相对模型的轨道机动目标运动参数估计

空间目标可能存在未知的机动,针对该类目标相对导航问题,提出一种基于瞬态相对模型的运动参数估计方法.该方法依据轨道密切性思想,在瞬态意义下建立相对运动模型和机动辨识算法,然后通过密切轨道到参考轨道的量测变换对冻结时间模型进行状态滤波,可为目标机动下的自主导航提供所需的相对状态与目标机动参数估值.误差分析表明"所得估值偏差均有界.仿真验证了该方法在目标存在机动情况下的有效性和一般性.

     

一种新的实时智能汽车轨迹规划方法

针对智能汽车的驾驶决策和轨迹规划问题, 将轨迹表示为轨迹曲线和加速度变化两部分, 以优化轨迹的行驶效率、安全性、舒适性和经济性为目标建立非线性规划模型. 基于序优化思想, 提出混合智能优化算法OODE, 分内、外两层分别优化加速度变化和轨迹曲线, 通过“粗糙” 评价轨迹曲线实现轨迹曲线的快速择优. 仿真结果表明, 所提出的方法能够处理包含多动态障碍物的复杂交通场景, 且具备实时应用能力, 模型的精度和求解速度均优于传统方法.

     

多输入多输出离散系统的量化H∞滤波器设计

研究多输入多输出线性离散系统的量化H_∞滤波器设计问题.每路输出采用一个独立的静态对数量化器.采用扇形界方法描述量化误差,并将量化滤波问题转化为范数不确定系统的滤波问题.进而采用线性矩阵不等式方法设计线性H_∞滤波器,使滤波误差系统渐近稳定并具有给定的H_∞性能.数值仿真表明了设计方法的有效性.

     

Delta算子不确定系统扩展参数依赖H∞控制

研究了含有多面体参数摄动Delta算子系统的参数依赖H∞控制问题.基于Delta算子系统有界实引理"提出了扩展参数依赖H∞性能准则.利用该准则,以参数化的线性矩阵不等式形式给出了参数依赖H∞控制器存在的充分条件,并通过求解优化问题设计控制器.研究结果表明该方法保守性较低,且物理概念清晰.数值示例验证了所提方法的有效性.

     

非线性系统RBF神经网络多步预测控制

针对较强非线性的控制问题, 提出一种以RBF 神经网络为模型的多步预测控制方法. 构建多步预测模型, 并给出预测误差关于控制序列的雅可比矩阵的计算方法. 利用Levenberg-Marquardt(L-M) 算法设计滚动优化策略, 过误差修正参考输入的方法实现了反馈校正, 证明了控制系统的稳定性. 仿真结果表明所提出的控制方法效果较好.