基于机器学习的高铁边坡位移预测不确定性度量与应用

为解决不确定性问题对高铁边坡位移预测精度的影响,引入区间预测理论量化位移预测中的不确定性问题,并建立Bootstrap-GRU-BP混合区间预测模型(BGB模型)。该模型首先采用基于Bootstrap的门控循环单元(Gated Recurrent Unit,GRU)算法度量位移预测均值和认知误差的方差,再采用BP算法度量随机误差的方差,然后将位移预测均值、认知误差和随机误差的方差3者结合在一起,量化出一定置信水平下的预测区间。最后,基于杭绍台高铁沿线边坡的监测数据,探讨BGB模型认知不确定性的响应特征,并通过对比多种区间预测模型来验证BGB模型的优越性。结果表明:BGB模型不仅能构造清晰可靠的预测区间,还能提供高精度的点预测结果;改变模型输入特征和预测算法会导致认知不确定性的改变,而BGB模型所构造的预测区间能正确地响应不确定性的变化;对比以极限学习机(Extreme Learning Machine,ELM)和支持向量回归(Support Vector Regression,SVR)为核心的区间预测模型,BGB模型的区间预测和点预测性均能更优。研究成果可为高铁边坡位移发展提供可靠的预测结果,进而为高铁边坡可靠度分析提供理论基础。

基于自适应不确定性度量的离线强化学习算法

离线强化学习可以从历史经验数据中直接学习出可执行的策略,由此来避免与在线环境的高代价交互,可应用于机器人控制、无人驾驶、智能营销等多种真实场景。有模型的离线强化学习首先通过监督学习构造环境模型,并通过与该环境模型交互来优化学习策略,具有样本效率高的特点,是最常用的离线强化学习算法。然而,由于离线数据集存在分布偏移问题,现有的方法往往通过静态的方法来评估此种不确定性,无法动态自适应于智能体策略的优化过程。针对以上问题,提出一种自适应的不确定性度量方法,首先对状态的不确定性进行估计,然后通过动态自适应的方法来衡量环境模型的不确定性,从而使得智能体可以在探索-保守中取得更好的平衡。在多个基准的离线数据集对算法进行了验证,实验结果表明,该算法在多个数据集中都取得最好的效果,消融实验等也验证了所提方法的有效性。

地理加权回归建模结果不确定性度量与约束方法

作为一种经典局部加权最小二乘方法,地理加权回归建模一直受样本空间稀疏及预测变量局部共线性等因素困扰,导致建模结果不确定性呈现空间异质。通过协方差传播定律构建后验标准差精度评价指标,本文提出了一种地理加权回归建模结果不确定性度量与约束方法,并基于地表PM 2.5浓度遥感制图实例开展了验证。试验结果表明:不确定性约束后,不同参数下地理加权回归模型的拟合精度、基于样本/站点/区域的十折交叉验证精度均有改善;局部共线性导致的模型回归系数符号偏差问题得到了改正;模型预测结果奇异值及负值能被有效甄别,有效提升了地表PM 2.5浓度制图结果的可靠性。该不确定性度量与约束方法可有效保证地理加权回归模型估算结果的稳定性和有效性。

基于相对知识粒度的区间集决策信息表不确定性度量

区间集决策信息表拓展了经典决策信息表,其粒化结构的不确定性刻画成为重要应用基础。基于区间邻域粒化引入相对知识粒度,进而提出区间集决策信息表的一种新型不确定性度量。利用两对象之间的距离及半径来建立区间邻域粒化系统,证明距离粒化与相似度刻画的条件等价性,获得区间近似粗糙度;把经典相对知识粒度推广为区间相对知识粒度,将其与区间近似粗糙度进行信息融合,提出一种新型不确定性度量并得到了粒化单调性等性质。最后进行了实例验证,结果表明所提度量能够有效表征粒化结构变化所引起的不确定性变化。

飞行器半实物仿真系统不确定性度量方法研究

不确定性是仿真系统的固有属性,导致仿真系统的预估结果在某种程度上与真实结果不一致,影响系统的稳健性和可靠性。本文在分析飞行器半实物仿真系统不确定性特点基础上,提出了半实物仿真系统不确定性度量分析框架,研究了适合半实物仿真系统的基于随机/认知/混合的分类、合成和系统不确定度量方法,并以典型仿真对象为例,开展了分类不确定性度量方法的应用研究,检验了分类不确定性度量方法的有效性,为后续不确定性度量结果对于系统的影响研究奠定基础。

基于不确定性度量的多特征融合跟踪

提出了一种新的基于特征不确定性度量的多特征融合跟踪算法.首先,针对粒子滤波跟踪算法中特征鉴别能力较弱且粒子分布相对分散时容易造成目标丢失的事实,本文定义了一种新的特征不确定度量方法,该度量可以在线调整不同类型特征对跟踪结果的贡献.同时,针对乘性和加性特征融合跟踪算法方法中存在的缺陷,提出了一种自适应的多特征融合方法,融合的结果既突出了状态后验分布中目标真实状态对应的峰值,又对噪声不敏感,从而提高了目标跟踪的鲁棒性.各种场景下的实验结果比较表明:新的融合跟踪算法比单特征跟踪、乘性融合跟踪和加性融合跟踪有着更好的稳定性和鲁棒性.

基于高斯过程建模的物联网数据不确定性度量与预测

物联网已经成为农业大数据最重要的数据源之一,自动观测数据的质量控制对农业生产分析以及基础科研数据应用非常重要。针对农业物联网观测的一类非平稳时间序列数据中的数据缺失、野值剔除、感知故障预警和长时间预测等问题,采用光滑弱假设高斯先验,构建了基于高斯过程的自回归模型表征的动态系统,并通过样本集学习,形成能考虑噪声干扰的传感变化规律建模,并可提供预测误差带用于预测数据的不确定性度量。针对原始数据的缺失和野值问题,采用基于高斯过程的短期预测,可补齐缺失数据,利用其不确定性度量可甄别数据野值,进行野值剔除与替换,并在此基础上判断感知故障;给出了基于输入数据不确定性传播的多步迭代预测方法,使长期预测仍可以跟踪农业数据的动态轨迹,并可为其预测值提供不确定性度量;将温室采集的真实传感数据用于分析试验,验证了高斯过程用于服务器端的农业时间序列数据采集质量控制的可行性。

基于模糊邻域粗糙集的信息系统不确定性度量方法

邻域粗糙集和模糊粗糙集是粗糙集理论中处理数值型数据的两种重要模型.在数值型信息系统中融合两者在不确定性度量方面的优越性,首先引入了模糊邻域粗糙集模型,并在该模型上定义了模糊邻域粗糙度的概念.模糊邻域粗糙度是通过粗糙集的边界域来度量信息系统的不确定性,为了达到更为全面的度量效果,在模糊邻域粗糙集模型中定义了模糊邻域粒结构,并基于该粒结构提出了模糊邻域粒度的概念,模糊邻域粒度是对信息系统分类能力的一种度量.最后,通过将两种度量方法进行结合,提出了一种基于模糊邻域粗糙集的混合不确定性度量方法,并从理论上证明其有效性.实验结果表明,所提出的混合度量方法综合了两种单独度量方法的优点,在数值型信息系统中具有更好的度量效果,因此所提出的不确定性度量方法更具有一定的优越性.

区域尺度杉木生物量估计的不确定性度量

基于系统抽样体系江西省固定样地连续观测数据,以杉木立木生物量为估测对象,采用异速生长模型建立杉木单木地上生物量和各组分生物量估测模型,结合抽样理论和泰勒级数原理,以均方根误差为不确定性度量指标,分别测算由抽样误差和模型估测误差引起的生物量估计不确定性。结果显示:2009年江西省杉木地上生物量为19.34 t·hm-2,不确定性为0.92 t·hm-2,树干、树皮、树枝和树叶生物量分别为11.87,1.95,3.15,2.62 t·hm-2,其中地上总生物量和各组分(树干、树皮、树枝和树叶)生物量估计中模型不确定性分别占估计量的2.48%,3.67%,3.43%,7.27%和6.33%。胸径对树枝、树叶的解释能力低于树干和树皮,抽样误差对生物量估计准确度的影响明显大于模型估测误差。研究方法适用于基于森林资源连续清查数据的生物量和碳储量估测。

基于不确定性度量信息融合的团队一致法研究

给出一种新的信息融合方法——基于不确定性度量的团队一致法．这个方法是基于一个迭代的团队不确定性度量函数，它能使团队成员达到一致；该方法用于融合从多个图象传感器得到的对同一个目标的关于目标类别不确定性信息，与其它方法相比该方法有效而简单．在多图象目标识别中有着广泛的应用．还给出了确定权值系数的一般方法．把这种方法用于一个现成的实例，得到的结果和多数结合算子的结果一致．

粗糙集的不确定性度量比较研究

不确定性度量是粗糙集理论中的重要研究内容之一,它可以度量属性之间的依赖度和相似度,并为属性约简和聚类分析提供了有效的度量工具.然而,不同的不确定性度量对于属性依赖度和相似度的刻画能力并不相同,这会在很大程度上影响属性约简和聚类分析等算法的结果.对常见的属性依赖度度量-近似分类精度、近似分类质量、Shannon条件熵、互补条件熵和常见的属性相似性度量-Shannon互信息、互补条件熵在不确定性度的差异进行了深入分析,发现了这些度量之间的差异,为属性约简和聚类分析等算法中不确定度量的选择提供了理论依据.

无线网状网基于不确定性度量极小化信任模型

WMN(wireless meshnet work)网络环境中,网络拓扑结构的改变或无线冲突的发生,都可能导致作为信任值评估证据的样本空间不一定完整和可靠,使得现有的信任评估模型不能应用其上_为了解决WMN网络节点间信任评估问题和建立信任关系,在研究现有信任模型并分析其存在问题的基础上,提出了基于不确定性度量极小化的信任模型.模型引入可信任度因子,根据网络实际情况,弱化证据样本空间不一定完整和可靠对信任值评估的影响,使得信任评估值的修正量在全局范围内达到最小.仿真实验与基于证据理论的信任评估模型进行了对比,表明模型是有效的.

基于不确定性度量的证据组合方法

针对Dempster组合规则不能有效组合冲突证据,已有的基于证据间距离的改进组合方法计算复杂度较大的情况,提出了一种证据加权平均组合方法。首先以邓勇等人的组合方法为例计算了基于证据间距离的改进组合方法的计算复杂度,分析了造成计算复杂度较大的原因;然后通过引入证据的不确定性度量概念来描述证据的不确定性并以此为基础定义证据的权重;最后给出算法步骤。理论分析和数值算例表明,该方法能有效融合冲突证据,收敛速度快且降低了计算复杂度。

基于全知熵的模式集成不确定性度量模型

不确定性是模式集成的一个固有性质,不确定性度量对模式集成具有重大影响。本文提出一种度量模型,在该模型中模式对象及其属性清洗模块使该模型免受规模影响。根据模式集成多属性分阶段决策的特点,本文基于粗糙集理论的全知熵不确定率进行各阶段的不确定性度量,并把过程模型的不确定性度量引入到总体不确定性的度量中,最后给出了合成多不确定率的方法。实例分析证实所设计模型是可行、有效的。

基于证据熵对不确定性度量的决策表约简

知识约简是粗糙集理论的核心内容之一,产生的粗糙决策规则往往具有一定的不确定性。在变精度粗糙集的基础上,本文构造了符合证据理论框架的一组焦元,利用基本概率分配函数计算了证据的总体信息熵,度量了决策表的不确定性;以该度量作为启发信息,给出了决策表的启发式知识约简算法。计算实例表明了本文方法的有效性。

层次粒结构下粗糙模糊集的不确定性度量

众所周知,经典粗糙集的不确定性来自于边界域,但是对于粗糙模糊集来说,其正域和负域中的元素存在不确定性,从而导致粗糙模糊集的不确定性不仅来自于边界域,还来自于正域和负域。另外,在粗糙模糊集中,一个模糊概念可以通过层次粒结构中不同的粗糙近似空间进行刻画,随着粒度的变化,模糊概念的不确定性的变化规律如何?对此,文中提出一种基于模糊度的不确定性度量公式,并基于均值模糊集分析了粗糙模糊集模型,得出粗糙模糊集不确定性度量的模型同样适合于度量概率粗糙集的不确定性的结论。其次,采用基于模糊度的不确定性度量方法,揭示了分层递阶的多粒度空间下粗糙模糊集不确定性的变化规律。然后,分析了3个域(正域、边界域和负域)的不确定性,并揭示了它们在分层递阶的多粒度空间下的变化规律。最后,通过实验验证了所提不确定性度量理论的有效性。

噪声环境下基于局部不确定性度量的多直线检测算法

针对噪声环境下复杂工件多直线测量中存在的检测精度下降问题，提出了一种基于局部不确定性度量的直线检测算法。该算法首先将目标区域分块，在每个子块内，建立点属于某直线不确定性度量概率模型，按照两点组合原理和Bayesian法则，计算任两点所确定的直线的累积不确定度量，通过对参数空间软投票检测直线。算法具有较强的抗噪能力和快速性。实验结果表明，该算法在较高噪声（方差为0．06）时，检测精度误差小于1‰，检测正确率仍可以达到90％以上，且其检测时间是单纯不确定度量直线检测方法的1／2，比传统Hough变换算法快4—5倍。

基于证据间距离和不确定性度量的证据组合方法

针对Dempster组合公式无法组合冲突证据的问题,提出了一种证据组合的权重分配方法。该方法充分考虑证据间的关系和证据本身的特性,用证据间距离度量证据间的不一致程度,用证据的不确定度来度量证据本身的不确定性;在此基础上扩展了文献[7]提出的权重确定准则,认为证据组合规则既要考虑使组合后证据与各源证据间的距离和尽量小,也要注重降低组合后证据本身的不确定性。最后根据新的准则给出了权重因子的确定算法和证据组合方法。算例表明,该方法改进了文献[7]权重分配方法的结果,且使权重分配更加灵活。

基于粗集理论的系统不确定性度量方式研究

不确定性是决策信息系统的固有特征,对系统的性能具有重要影响.有效地度量决策信息系统的不确定性具有重要意义.粗集理论是处理不确定信息最成功的工具之一.本文评述多种基于粗集理论的系统不确定性度量方式;分析它们的代数特征和数量关系;并通过仿真实验系统地比较它们的性能.结果表明"全知熵不确定率"是最有效的不确定性度量方式,其合理性通过它的成功应用得到进一步验证.

基于边界域条件熵的不确定性度量标准

不确定性度量研究是粗糙集理论的重要问题之一。系统的不确定性是由边界域的存在造成的,根据变精度粗糙集思想,将边界域对象分成弱一致性对象和不一致对象集合。结合信息熵与不确定性间的关系,提出了一种基于边界域条件熵的不确定性度量标准。理论分析表明,边界域条件熵在衡量决策系统一致性程度时,与普通条件熵具有相同的判别作用;在粗糙集特征约简的启发式条件中与粗糙集正域等效。