基于粗糙集汽车安全检测系统建模及应用研究

为了弥补粗糙集理论不能直接处理连续数据的不足,提出了一种基于粗糙集和布尔逻辑连续属性离散化的改进方法,针对相同个数的断点情况时,取和最小的断点。计算结果表明,该算法能在决策属性不变的情况下,连续离散化的断点集数目减少,空间复杂度和时间复杂度减少,为获取更为简洁的决策规则提供基础,并应用到汽车安全检测系统建模中。对汽车安全检测系统建模,首先应用改进算法对决策表中的连续属性进行离散化,然后利用粗糙集理论的属性约简来化简决策表,提取决策规则,分析规则,得出结论。     

基于粗糙集与支持向量机的禽蛋蛋壳无损检

针对当前禽蛋蛋壳无损检测系统存在检测精度不高的问题,提出粗糙集和支持向量机相结合的方法进行分类器的设计.首先,基于粗糙集理论对特征参数集进行属性约简,在约简过程中,利用模糊C均值聚类算法对特征参数进行量化,并基于属性重要性的启发式搜索对条件属性进行约简;然后,在属性约简的基础上完成支持向量机分类器的训练,在训练过程中,通过交叉验证法对分类器模型参数进行了优化.实验结果表明该方法的分类准确率能够达到94.6%,具有良好的工程应用价值.     

基于改进松鼠算法的光伏多峰MPPT控制方法研究

【目的】失配现象使光伏系统难以通过最大功率点追踪（MPPT）获得最大功率。扰动和观测（P&O）方法、爬山（H&C）算法等传统的MPPT算法无法区分局部最优和全局最优,难以解决失配现象下的最大功率点追踪问题。【方法】采用文献回顾法对MPPT算法进行梳理,发现现有文献MPPT算法机制各不相同,使得它们追踪性能各有不同,在此基础上提出了一种基于改进松鼠算法（ISSA）的MPPT新算法,通过优化松鼠觅食迭代过程以提升算法性能,并利用MATLAB建立太阳能光伏系统动力学模型,利用Runge-Kutta方法求数值解。通过MATLAB仿真,在失配现象下将提出的算法与原始SSA算法进行比较,以验证提出算法的性能。【结果】与传统的松鼠算法（SSA）相比,改进的松鼠算法（ISSA）大幅度缩短了调节时间,提升了最优值追踪能力,调节时间仅为0.049 3 s,具有良好的动态性能和稳态性能。【结论】ISSA算法的动态性能和稳态性能均优于传统SSA算法,其在调节时间、振荡水平等方面均性能优越,具有良好的应用价值。     

基于遗传算法的无人机多目标路径规划

研究了无人机在抢险救灾中的应用,通过构建路径规划模型来求解最优路径,模型以整个无人机飞行路径距离最短为目标,利用遗传算法对路径方案进行迭代优化,利用适应度函数在迭代过程中更新种群个体,使得算法能够趋向最优解,同时利用遗传变异操作防止算法陷入局部最优解。利用MATLAB对算法进行计算,并通过随机个体比较对方案进行了验证。案例结果表明:该模型能够在较短时间内得到最优解,提高了无人机的工作效率,为抢险救灾争取到了宝贵的时间。     

基于Agent的同类机智能调度算法

研究了目标函数是最小化最大完成时间的同类机调度问题,且作业到达时间可能不同.此问题被证明是NP-hard问题.为此问题构建了一个基于Agent的智能调度算法ABH,使得机器具有一定的智能性,从而实现工厂调度的自动化.给出了用于调度的两类Agent的语义描述,进而给出ABH算法描述.大量随机数据实验结果表明,ABH算法性能明显优越于现有算法,其相对于最优解的平均误差收敛达0.084%.     

基于改进粒子群优化BP网络的发动机故障诊断方法

使用BP神经网络进行故障诊断过程中,随着输入变量的增加会造成维数灾难,导致训练效率不高,而且易陷入局部极小的问题。基于粗糙集的约简是常用的降低维数的方法,但约简是NP问题,随着信息量增多计算量会随之剧增;本文采用基于属性重要度的启发式值约简算法进行属性约简,建立了一种模糊信息知识发现方法结合粒子群优化BP网络的故障诊断方法。通过实验表明此方法不仅能有效获取规则,降低网络的输入维数,还能有效避免陷入局部极小,从而提高故障诊断的效率。     

基于粗糙集理论的烟草生产管理研究

烟草作为一具有种特殊的农作物,要达到质量效益的最大化,需要应用现代的作物生产管理方法.粗糙集理论对不完备决策表的处理优势,可以解决在生产过程中无法获得完备信息的问题.在限制容差关系模型下,以扩充分明矩阵为基础,提出了不完备决策表属性约简算法,实现了对不完备决策表的直接处理.通过属性约简获取决策规则,可以有效地指导生产管理.     

基于复合数据挖掘算法的短期电力负荷预测

提出一种决策树算法、自组织特征映射神经网络(SOFM)算法与粗糙集理论结合的算法.首先,使用SOFM算法对样本数据进行聚类,形成符合标准的目标数据子集.然后,使用粗糙集理论进行决策系统约简,删除不相关或不重要的属性.最后,使用决策树算法对优化后的电力负荷样本数据进行分类预测.本方法采用多种数据挖掘算法相结合方式,既全面考虑了影响负荷预测的温度、天气、气压、湿度等各种因素,又避免了由于输入变量过多而导致模型结构复杂、训练时间长等不足.同时,本算法使用自动化数据挖掘算法,可以大大提高预测速度.实际算例表明:本算法能有效缩短预测时间,提高负荷预测精度.     

算法在多目标优化问题中的仿真应用

综合了PSO算法应用于求解多目标问题的一些思想,引入罚函数对约束条件进行处理,并利用均值的概念来计算选取PSO算法更新方程中的全局最优值,从而使算法在最优解的引导下,跳出局部最小值,更快地向Pareto最优解前沿收敛。压缩弹簧多目标优化设计实例证明了所提出算法的有效性。     

Multi-Bug全局路径规划算法研究

提出一种基于Multi-Bug思想的非搜索全局路径规划算法。在Multi-Bug算法中,借用传统Bug算法的寻路逻辑,加入遇到障碍物时的爬虫分裂规则及爬虫死亡条件判断规则,直至其中一只爬虫以相对最优路径抵达终点,从而实现多路径并行运算的局部最优寻路策略。利用栅格法对多类障碍物、迷宫类地图等环境进行建模,并与Dist-Bug算法、RRT*和A*算法进行路径长度及运算时间的对比仿真实验,结果表明,采用Multi-Bug算法获得的路径长度和用时都表现得更加稳定;与获得最短路径的A*算法相比,Multi-Bug算法获得的平均路径长度仅增加了16. 8%,平均用时减少了86. 5%。经理论分析及仿真验证,Multi-Bug算法时间复杂度为O(n),具有路径较短、时效性强、算法通用性和稳定性好的路径规划性能。     

基于粗糙集与遗传算法的采摘机器人路径规划

为了提高采集机器人路径规划速度和自主导航的智能化水平,提出了一种基于粗糙集和遗传算法的路径规划方法,从而有效地提高了路径规划的速度和精度。采摘机器人根据实际果实采摘环境,利用图像分割技术,对果实目标进行识别,在二维栅格地图环境下,制定出决策表,并使用粗糙集对决策表进行约简,得到最小决策表,将其作为遗传算法初试种群,进行遗传交叉和复制操作,优化路径规划算法。为了验证采摘机器人算法性能的可靠性,对采摘机器人的性能进行了测试,包括果实图像的识别和机器人路径规划能力。通过测试发现:采摘机器人可有效地分割提取出成熟果实,并可完成多目标任务。对粗糙集和遗传算法的性能进行了测试,结果发现:使用粗糙集可以大大降低所需训练种群的数目,减少平均迭代次数;增加障碍物的复杂程度后,使用粗糙集遗传算法可以明显地提高路径规划的速度,从而提高了机器人采摘作业的效率。     

基于ISRCDKF的移动机器人同时定位与建图研究

为解决移动机器人在同时定位和建图(Simultaneous localization and mapping,SLAM)技术中普遍存在状态精度不高、稳定性差、计算复杂等问题,提出一种基于迭代平方根中心差分卡尔曼滤波(Iterated square root central difference Kalman filter,ISRCDKF)的SLAM自主定位算法,以满足SLAM过程中的实时性、准确性等要求。该算法使用中心差分变换处理SLAM的非线性问题,避免了泰勒公式展开中雅可比矩阵复杂运算;同时在滤波更新过程中,通过直接传递协方差矩阵的平方根因子减少算法的复杂度;在迭代观测更新过程中,使用列文伯格-马夸尔特(Levenberg-Marquardt,L-M)优化方法引入调节参数,实时修正协方差矩阵,达到提高算法精度、增强稳定性的目的。仿真结果表明,在相同的数据模型和噪声环境下,本文提出的ISRCDKF-SLAM算法与基于扩展卡尔曼滤波(Extended Kalman filter,EKF)的SLAM算法、无迹卡尔曼滤波(Unscented Kalman filter,UKF)的SLAM算法和容积卡尔曼滤波(Cubature Kalman filter,CKF)的SLAM算法相比,均方根误差分别降低了47.3%、32.7%和25.0%;与相同计算复杂度的UKF-SLAM算法和CKF-SLAM算法相比,新算法的运行时间分别减少了15.1%和10.8%。将新算法嵌入到移动机器人平台进行现场实验验证,进一步证明了该算法的实用性和有效性。     

基于遗传退火进化的生物多序列比对算法

分析了生物多序列比对存在的问题，提出了将遗传算法和模拟退火算法相结合的遗传退火进化思想，设计了运用该思想进行多序列比对的算法过程。与通用的多序列比对软件CLUSTAL算法进行对比实验，该算法虽在速度上稍慢，但能得到更好的比对结果，从而验证了该算法的正确性和有效性。     

一种面向蔬菜中文知识图谱表示学习的改进方法

由于TransE模型在处理不同类别关系时,忽略了同类别向量的语义差别,在对蔬菜领域知识图谱中存在的一对多、多对一和多对多的复杂属性关系进行表示学习时效果较差。本文在TransE方法的基础上,提出PTA(Path-based TransE for Attribute)模型对其进行改进。首先,将蔬菜领域实体和关系通过word2vector映射到一个低维稠密向量空间中;其次,将复杂的属性关系和上下位关系进行结合构成关系路径进行训练;并采取Mean Rank和Hits@10两个评价指标衡量表示学习模型的链接预测效果。试验结果表明:PTA模型较TransE模型在不考虑关系分类的情况下,链接预测效果有较大的提高,Mean Rank最高提前6个次序;且在对属性关系按照复杂度进行分类的情况下,链接预测Hits@10的值较TransE模型最高提高13%。     

基于复杂网络分析法的空间生态网络结构研究

以荒漠绿洲区典型县域磴口县为研究区,将复杂网络分析方法中的点格局分析方法、网络骨架的提取算法和空间结构鲁棒性指标根据实际空间生态网络的特点进行改造,对研究区的空间复杂生态网络的结构进行分析。研究结果表明:7种类型的生态源地节点在较小尺度下均呈现聚集的空间分布格局,随着尺度的增大,逐渐呈现随机分布,最后呈现均匀分布,这种分布特征保证了小尺度和大尺度上生态网络的稳定。水网廊道的密度范围为0~1.46,路网廊道的密度范围为0~2.27,改造Kruskal算法识别出的骨架廊道符合实际情况。现状生态网络初始的连接鲁棒性仅为0.73,优化后生态网络的连接鲁棒性达到1。经过生态节点布局优化后的生态网络节点和边的抗打击破坏能力、恢复能力增强。     

基于非均匀细分的散乱点云数据精简算

针对海量散乱点云数据精简问题,提出了基于非均匀细分的精简算法.采用八叉树结构对点云数据进行空间分割,由分割结果建立k邻域.对k邻域内的散乱点进行二次曲面拟合,以拟合曲面的平均曲率为判据决定是否对八叉树空间实行非均匀细分,细分过程中由数据点之间的最大间隔角决定细分程度.构造曲率差函数,识别出边界数据点,对其进行数据保护.该算法对具有曲率多样化特点的点云数据的精简具有实用性,通过实验验证了该算法的可靠性和准确性.     

基于模拟退火的三维模型典型结构挖掘与相似性评价

为了更好地实现设计领域三维CAD模型多粒度、精细化、智能化的设计重用需求,提出了一种基于模拟退火的三维模型典型结构挖掘与相似性评价方法。首先,通过提取以B-rep表示的三维CAD模型几何与拓扑信息,构建三维CAD模型的属性邻接图;然后以此为描述载体,利用具有局部重用价值的典型结构和三维CAD模型属性邻接图之间顶点和边的属性映射关系建立关联图及其关联图矩阵;最后,基于一种启发式算法——模拟退火算法完成关联图中最大团的检测以实现三维CAD模型中典型结构的挖掘,并进行相似性评价,同时以蚁群算法和遗传算法为比较对象,在通用模型库和农业机械装备模型库完成了算法的验证。实验结果表明,该方法能较好地实现三维CAD模型典型结构的挖掘和相似性评价,可以有效地支持设计领域的三维模型特征级和局部结构级设计信息的重用。     

改进的Otsu算法在粮食颗粒图像分割中的应用

针对二维Otsu自适应阈值算法计算复杂度高的问题,采用二维直方图投影到对角线得到一维阈值的方法,消除二维自适应阈值算法中的冗余计算,从而提高了计算速度.为此,将该方法应用于粮食颗粒图像分割中.实验表明,该算法在计算时间上远小于原始二维Otsu算法.     

基于最小最大概率机的客户需求分类技

针对复杂产品客户需求中类别数多且数据量大的分类问题,利用最小最大概率机的概率信息和样本间隔信息,提出采用启发式方法解决编码设计问题.在算法中将一个减少了迭代次数的分类器视为弱化了的分类器,同时保留分类器的间隔属性和几何特性,并利用高维映射将分类器输出映射到特征空间,在弱化阶段大量减少了整体的迭代次数而在合成阶段利用非线性映射来提升性能.通过对叉车产品客户需求的数值试验证明算法具有较好的分类效果,降低了对二类分类器的精度要求.