基于任意分割的串行进位链规则获取的计算流程

 分析了等价矩阵和联合决策矩阵规则提取算法对于大数据集低效性的根源.提出了基于任意分割的规则获取方法和相应的串行进位链计算流程.这种计算流程将大数据集上的规则获取,转化为通过分割后多个智能体(子系统)及其智能体间数据共享的"并行＋串行"的规则提取计算过程,有效的解决了大数据集上规则获取问题.复杂度分析表明该算法在效率上较现有的算法有显著的提高;实例分析验证了该方法的可行性;相应的对比实验表明这种计算流程对大数据集上的规则获取的实用性和高效性.     

基于现代信号处理技术的舰船噪声信号DEMON分析

DEMON分析是舰船噪声目标识别的重要分析手段之一。通过DEMON分析可以获得诸如舰船螺旋桨转速、螺旋桨叶片甚至舰船的车数等不变的舰船物理特征。在过去的DEMON分析中,通常采用经典的周期图方法。本文采用了高阶谱分析、小波的子频带分析以及基于互相关函数矩阵奇异值分解等方法,对舰船噪声信号进行了分析。从对大量的舰船噪声信号的分析来看,在大多数情况下现代谱分析技术具有优势,但并不是所有情况下其性能均优于周期图方法。     

粗集中不可分辨类算法求解实现

从原始信息系统出发,用不可分辨类的思想求解系统的核属性和约简是粗集理论的精华.因此,如何在计算机上实现这种思想关系到读者对粗集理论抽象概念的理解.文中利用MATLAB语言编程实现了不可分辨类算法.考虑该语言的特点,首先将原始信息系统转换为数字型矩阵,然后自定义用户函数attvalist,并结合MATLAB语言中丰富的矩阵与向量运算函数,不经复杂的编程完成了样本分类.     

不完备信息系统的属性约简方法研究

该文从经典的粗糙集对完备信息系统的属性约简方法入手,为避免不完备系统的完备化处理,修改了传统意义上的差别函数,在不生成分辨矩阵的情况下,提出基于按桶散列的物理存储方法,并利用逻辑运算中的吸收律直接对不完备信息系统进行约简。     

基于分治策略求解方程根的个数

n元高次方程根的个数求解常因问题的规模过大而使通常的算法时间复杂度过高。主要介绍了基于分治策略的二分思想来降低该问题的时间复杂度,并利用哈希技术和线性冲突解决方法进一步提高求解n元高次方程根个数的算法效率。     

变换域信号处理在窄带干扰抑制中的应用

采用变换域信号处理方法解决窄带干扰抑制问题。通过采用变换域滤波方法可以从宽带舰船噪声中抑制目标舰船发射的窄带声纳脉冲信号,从而解决声纳抗窄带干扰问题。     

隐马尔可夫模型在舰船噪声目标识别中的应用

将Mel频率倒谱作为特征参数,实现了基于连续型隐马尔可夫模型的舰船辐射噪声目标识别。对五艘不同类别舰船的辐射噪声建立模型,并进行了识别实验。模型的状态数和高斯混合数分别确定为1和3,五艘舰船的平均识别率达到91．6％。利用两艘不同类型舰船的噪声分析了舰船的工况对识别结果的影响。     

基于分类间隔增强的不平衡多标签学习算法

传统的多标签学习算法一般没有考虑标签的不均衡性,从而忽略了标签不平衡给分类带来的影响。但统计发现,目前常用的多标签数据集均存在标签不均衡问题,且少数类标签往往更加重要。基于此,本文提出了一种基于分类间隔增强的不平衡多标签学习算法（Imbalanced multi-label learning algorithm based on classification interval enhanced, MLCIE）,旨在利用各标签分类间隔的重构来增强分类器对少数类标签样本的学习效率,提升样本标签质量,从而减少多标签不平衡对分类器学习精度的影响。首先利用各标签密度与条件熵计算各标签的不确定性系数;然后构建分类间隔增强矩阵,将各标签独有的密度信息融入到原始标签矩阵中,获取平衡的标签空间;最后使用极限学习机作为线性分类器进行分类。本文在11个多标签标准数据集上与其他7种多标签学习算法进行对比实验,结果表明本文算法在解决标签不平衡问题上有一定效果。     

基于负相关性增强的不平衡多标签学习算法

由于标签空间过大,标签分布不平衡问题在多标签数据集中广泛存在,解决该问题在一定程度上可以提高多标签学习的分类性能。通过标签相关性提升分类性能是解决该问题的一种最常见的有效策略,众多学者进行了大量研究,然而这些研究更多地是采用基于正相关性策略提升性能。在实际问题中,除了正相关性外,标签的负相关性也可能存在,如果在考虑正相关性的同时,兼顾负相关性,无疑能够进一步改善分类器的性能。基于此,提出了一种基于负相关性增强的不平衡多标签学习算法——MLNCE,旨在解决多标签不平衡问题的同时,兼顾标签间的正负相关性,从而提高多标签分类器的分类性能。首先利用标签密度信息改造标签空间;然后在密度标签空间中探究标签真实的正反相关性信息,并添加到分类器目标函数中;最后利用加速梯度下降法求解输出权重以得到预测结果。在11个多标签标准数据集上与其他6种多标签学习算法进行对比实验,结果表明MLNCE算法可以有效提高分类精度。     

β依赖性的近似约简方法拓展

知识约简是粗糙集理论研究的核心内容之一。目前,以分布密度为基础的分布约简/分配约简主要集中在对论域中每个对象或每个对象所在的类与决策类的关系展开,因此当论域对象较多时这些方法的应用受到了一定限制,基于变精度粗糙集模型理论和决策表整体确定性的度量方法,通过构造β+正域去定义β+依赖性,获得了在有分类误差情况下决策表整体最大确定性的度量方法,基于此提出了β+依赖性近似约简,通过数值计算和实验仿真,说明该方法是可行的,进而拓展了变精度粗糙集模型近似约简方法。