基于粗糙集理论的冲模实例特征属性权值确定方法

在简要介绍基于实例推理的冲模设计方法基础上,给出了基于粗糙集的冲模设计实例知识表达系统,然后提出了基于粗糙集理论的冲模实例特征属性约简和权值确定方法,即首先利用粗糙集理论判断实例特征属性的重要度,并将其进行规范化处理,得到各特征属性的权值.该方法可有效地克服传统权值确定方法中对主观经验的过分依赖.最后,以冲压件排料间隙的确定为例,说明了该方法有效性.     

基于粗糙集理论的决策系统属性约简

介绍了粗糙集理论的基本概念,包括等价关系、划分、条件信息量等．介绍属性约简的原理,在此基础上提出了基于条件信息量的数据约简方法,优选出有用的属性,并通过实例表明该方法是可行和有效的．     

粗糙集理论在公路网综合评价中的应用

通过分析目前公路网综合评价中所存在的问题，引入粗糙集理论，所建立的基于粗糙集理论的公路网综合评价方法，避免了权重确定中主观因素的影响。实例验证，利用该方法可取得令人满意的效果。     

基于相似权的公路绿色施工属性评价研究

通过对公路绿色施工过程构成要素的分析,建立了公路绿色施工属性评价的指标体系,以相似权确定权值方法为基础,运用属性识别理论,构建了公路绿色施工属性识别模型,最后结合工程实例对该模型进行了验证。结果表明：属性评价模型能够客观有效地评价公路绿色施工过程。     

智能冲模CAD系统中的CBD方法研究

介绍了实例推理方法(CBR)的一般原理,通过对比冲模设计过程和CBR方法,说明了基于实例的设计(CBD)方法用于智能冲模CAD系统的合理性,并研究了其中的关键技术.     

基于事例和置信度的多因素重要性排序方法

在多因素中确定各因素的重要性排序是涉及多因素问题研究的一个重要环节.借助模糊聚类方法和粗糙集理论中的重要性原理提出一个基于事例和模糊置信水平的确定多因素排序的客观方法.针对如何从客观数据中提取各种因素的重要性作了详细的讨论,最后给出了一个该方法的应用实例.     

基于粗糙集和混合聚类法的决策表约简算法

在分析粗糙集理论、分层聚类算法和k-means聚类算法的基础上,提出一种基于粗糙集和混合聚类法的决策表约简算法,该算法首先是使用基于分层聚类的k-means混合聚类法离散化决策表中的连续属性,然后利用粗糙集理论对离散后的决策表进行属性约简,得到决策规则集,并通过在铁路客运量预测系统中的应用验证了算法的可行性和有效性.     

基于熵权属性识别模型的泥石流危险性评价

结合工程实例,将属性识别理论应用到重庆地区泥石流危险性评价中,从而把定量分析与定性描述有机地结合到一起.提出了泥石流危险性评价的属性测度计算方法,并利用熵权系数法确定权重,建立了基于熵权系数法的属性识别计评价方法.评价结果表明该方法具有可行性和推广应用价值.     

基于粗糙集理论的模型结构选择与知识发现

为了合理选择决策模型，提出了一种基于粗糙集理论获取模型选择知识并利用获取的知识选择模型的方法．通过随机设定模型参数，得到备选模型的属性值为连续值的决策表；通过设定误差范围，获得决策表中对象之间的关系；利用该关系和粗糙集理论，对决策表进行属性约简，获得决策规则；按该决策规则进行推理，实现智能决策的模型选择．实例表明，该算法是可行的。     

基于粗糙集的立体停车库选址决策研究

提出了一种应用粗糙集理论选址方法,利用粗糙集理论建立模型,考虑到高峰时段停车数量、步行距离、土地价格等客观因素的影响,选取条件属性和决策属性建立决策表,采用差别矩阵属性约简算法进行约简,并对约简结果进行验证,最后归纳得到决策规则.以某城市一地区为例,介绍了该方法的应用,得出了该地区修建立体停车库选址的决策方法.     

Latent Supportive Utility of Irrelevant Attributes in Feature Selection

This paper proposed a novel feature selection method LUIFS (latent utility of irrelevant feature selection) that not only selects the relevant features, but also targets at discovering the latent useful irrelevant attributes by measuring their supportive importance to other attributes. The method minimizes the information lost and simultaneously maximizes the final classification accuracy. The classification error rates of the LUIFS method on 16 real-life datasets from UCI machine learning repository were evaluated using the ID3, Nave-Bayes, and IB (instance-based classifier) learning algorithms, respectively; and compared with those of the same algorithms with no feature selection (NoFS), feature subset selection (FSS), and correlation-based feature selection (CFS). The empirical results demonstrate that the LUIFS can improve the performance of learning algorithms by taking the latent relevance for irrelevant attributes into consideration, and hence including those potentially important attributes into the optimal feature subset for classification.     

一种改进的LDA主题模型

由于文档中的词符合幂律分布,使得LDA模型的主题分布向高频词倾斜,导致能够代表主题的多数词被少量的高频词淹没使得主题表达能力降低.通过一种高斯函数对特征词加权,改进LDA主题模型的主题分布.实验显示加权LDA模型获得的主题间的相关性以及复杂度（Perplexity）值都降低,说明改进模型在主题表达和预测性能方面都有所提高.     

列车轮对状态的融合监测系统

为了提高列车轮对故障诊断准确率和改善现有列车轮对状态在线监测方法的不确定性,结合多传感器信息融合原理,设计了列车轮对融合监测系统,采用特征层融合自适应加权算法进行了轮对状态融合监测,以自适应的方式寻求最优加权因子,使状态测量值总均方误差最小,比较了特征层融合自适应加权算法、模糊数据关联算法、变结构多模的状态估计算法和BP神经网络算法的计算结果。比较结果表明:当轮对两端轴承均出现故障后,两传感器输出的测量值分别为22.0470和21.0250,而此融合算法计算出的估计值为4.2642,融合值最接近真值,因此,列车轮对融合监测系统可靠性高,抗干扰性强。     

多网联范围下的智能网联车换道决策组合模型研究

为提升不同网联范围下智能网联车(Intelligent Connected Vehicles, ICV)的换道效率,结合深度强化学习和分子动力学理论,提出一种融合掩码机制和注意力机制的双深度Q网络(MaskAttention-DDQN, MAQ)换道决策模型。首先,在SUMO (Simulation of Urban Mobility)仿真环境中采集网联范围内ICV及人工驾驶车辆(Human Drive Vehicles, HDV)的行驶状态信息。其次,搭建MAQ模型,采用掩码机制和注意力机制方法,实现固定模型输入大小,以及实现置换不变性。第三,为实现车辆间影响程度的数值化,以车辆间相对速度和相对位置为参数,使用分子动力学理论为网联范围内HDV信息赋予权重。最后,分别在不同交通密度仿真环境中对不同换道决策模型和赋权方法进行对比,并测试ICV在不同网联范围(80~330 m,以50 m为间隔)下的换道决策效果。仿真结果表明,以40辆HDV、100m网联范围为例,MAQ模型比DeepSet-Q模型拟合精度提高了90.2%;分子动力学赋权方法相比线性权重赋权方法总奖励值提高了5.5%,ICV平均车速提高了4.8%;ICV平均车速随着网联范围的扩大,呈现出先增大、再减小、后趋于平稳的变化规律。     

城市道路分类别路段行程时间函数研究

分析与城市路段行程时间函数分类相关的路段属性,根据其中关键属性的组合对城市路网的所有路段进行分类;以市域内车辆自动检测仪器提供的速度和流量数据为基础,通过对速度-流量关系的分析拟合,标定各类路段的通行能力、自由流速度、流量达到通行能力时的临界速度这三个关键参数从而确定函数模型,并通过杭州市实例进行了验证。     

基于感兴趣区域的CNN-Squeeze 交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

基于感兴趣区域的CNN-Squeeze交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

����ǰ·��ѡ��Ķ�Ŀ��滮ģ��

在分析了基于城市交通信息港的出行前最优路径选择问题的多目标属性的基础上，建立了出行前最优路径选择的多目标规划模型，模型所求得的解是综合最优路径，反映了城市交通出行者信息以及目标需求多样性的特点.设计了基于线性加权法的模型求解算法.通过算例初步验证了模型的合理性和有效性.     

Continuous multiplicative attribute graph model

Network modeling is an important approach in many fields in analyzing complex systems. Recently new series of methods have emerged, by using Kronecker product and similar tools to model real systems. One of such approaches is the multiplicative attribute graph (MAG) model, which generates networks based on category attributes of nodes. In this paper we try to extend this model into a continuous one, give an overview of its properties, and discuss some special cases related to real-world networks, as well as the influence of attribute distribution and affinity function respectively.     

基于R-THIOWGA集成算子的模糊关联多属性群决策方法

属性间的关联性破坏了独立多属性决策信息的测度可加性,为了更客观地反映决策者的决策意图,更准确地融合决策信息,同时提升算子对决策属性的描述能力,定义了三角犹豫直觉模糊数新的比较规则,引入模糊测度及Choquet积分定义了三角犹豫直觉模糊关联有序加权几何平均算子(R-THIOWGA),并构建了R-THIOWGA的数学模型,证明了RTHIOWGA幂等性、有序单调性、有界性等算子性质.以R-THIOWGA集成算子为基础,提出了模糊关联多属性问题群决策方法,并应用于我国海军远海维修保障平台选型的算例分析.研究结果表明,应用R-THIOWGA算子及基于R-THIOWGA的群决策方法解决模糊关联多属性决策问题是可行的、有效的.