动态多尺度决策信息系统局部最优尺度的更新规律

在对象动态增加的情况下,对多尺度决策信息系统(MDIS)保持局部决策类不确定性的最优尺度更新规律进行研究。首先,介绍决策信息系统和多尺度决策信息系统决策类不确定性的基本知识,以及MDIS保持局部决策类不确定性的最优尺度定义。然后,在增加一个对象的条件下,分析MDIS局部决策类不确定性的更新规律。最后,采用增量学习方法,给出增加一个对象条件下MDIS局部最优尺度不变和变大的充分必要条件。结果表明:文中方法可以快速地确定更新系统局部最优尺度。

融合局部最优划分长短期兴趣的序列推荐

序列推荐中划分用户的长期和短期兴趣非常重要。现有的序列推荐模型多简单预设短期兴趣长度,但性能提升不明显。为了更好地建模用户长短期兴趣,本文提出了一种融合局部最优划分长短期兴趣的序列推荐模型,采用了一种局部最优短期兴趣长度算法,自动和自适应搜索最优短期兴趣长度,并设计了MLP层分别对长短期兴趣建模。在三个数据集上进行实验,结果表明运用该模型能够取得与最先进模型具有竞争力的性能。

基于多目标遗传算法的云服务系统资源调度失效局部最优感知方法

针对当前资源调度失效感知效果不佳,可靠性和感知灵敏度的问题,提出基于多目标遗传算法的云服务系统资源调度失效局部最优感知方法,结合多目标遗传算法,通过资源调度的失效特征规律识别,对资源调度的失效特征规律识别方法优化,抽取受信任的云计算资源,识别和筛查资源失效特征归类,并对局部调度失效资源进行定位,构建云服务系统资源调度失效局部最优感模型,求解云资源局部调度失效区域定位规则。实验结果表明,该方法具有较高的可靠性和感知灵敏度,保证云服务系统资源调度失效感知结果的有效性。

基于局部最优模型的无人机位置调整策略与仿真定位

研究了无人机遂行编队飞行中的纯方位无源定位问题,首先基于发射信号无人机的位置无偏差实现了单架被动机的精确定位,得到了被动机位置的解析解;其次通过局部调整法完成了正九边形无人机遂行编队的调整,比较不同方案的全局检验误差收敛值、收敛速度与无人机调整总次数确定了最优调整方案;最后分层对无人机锥形编队队形进行调整.仿真实验证明局部最优模型具有良好的可行性与鲁棒性.该方法可应用推广至宇宙飞船、海上航行等定位问题.

自适应耦合局部最优法及其在模型修正中的应用

耦合局部最优法作为一种新型的优化技术,既具有高效的搜索速度又具有全局搜索能力。然而,对于大规模优化问题,该方法容易陷入局部最优;另外,梯度信息在该项技术中起着重要作用,而对于复杂问题往往不能得到精确的梯度信息,从而使得该算法的全局搜索能力下降。本文分别从初始种群的确定、变步长搜索、自调节种群三方面对原算法进行了改进,提出了自适应耦合局部最优法,使之具备解决多变量复杂优化问题的能力。通过两个测试函数验证了改进算法比原有算法更易于得到全局最优解并保持较高的计算效率。最后,采用一个试验算例验证了自适应耦合局部最优法的有效性。

基于局部最优的联盟结构生成算法

联盟形成是多Agent系统中的一个关键问题.针对多Agent联盟数量是Agent个数指数倍的问题,给出了基于局部最优Agent联盟结构生成算法——OCS算法.基于局部最优,将Agent联盟结构图化简,并利用划分所对应的一类联盟结构的上界对Agent联盟结构图进行剪枝,极大降低了搜索空间.接着证明了OCS算法的时间复杂性为O(3n),但在实验上已经接近O(23n/2).最后通过对比数据分析,表明了OCS算法的效率.OCS算法是对Rothkopf和刘惊雷等人相关工作的改进.

一种基于多维服务质量的局部最优服务选择模型

全局最优和局部最优是服务选择的两种策略.现有的全局最优服务选择算法提供端对端约束下最优单解而非可接受的多解,既无法充分体现用户偏好和服务个性,也不利于激励服务提供者优化服务质量.首先,在引入序数效用函数作为局部服务排序的数值尺度的基础上,提出一种基于多维服务质量的局部最优服务选择模型MLOMSS(Multi-QoS based Local Opti mal Model of Service Selection),为自动选取优质服务提供重要依据.然后,构造客观赋权模式、主观赋权模式和主客观赋权模式来确定各服务质量属性的权重,既体现用户偏好和服务质量的客观性,又有助于快速生成聚合服务链.最后,通过语义Web服务集成平台SEWSIP(Semantic Enable Web Serv-ice Integration Platform)证明MLOMSS模型的有效性和灵活性.

一种基于FAHP的多维QoS局部最优服务选择模型

为更全面地考量服务质量(QoS)属性对服务最优选择的影响,进而提高服务组合的效率,该文提出了一种基于模糊层次分析法(FAHP)的多维QoS局部最优服务选择模型.模型首先定义了以QoS的真实度属性作为分量之一的多维QoS向量,并将QoS的真实度属性值作为赋权计算的依据,以使权重结果更合理、可信;之后,建立了包含双重质量属性(客观属性和主观评价)的模糊层次结构,以全面考量主客观QoS属性对服务最优选择的影响;在此基础上,构造了可根据决策者的偏好与侧重动态调整权重分辨率的FAHP赋权模式,该赋权模式与传统的赋权模式不同,该赋权模式下的权向量不是唯一的(但权重的排序唯一),而是一个包含可调参数的函数,通过参数的调整,可保留(或剔除)决策者偏好(或放弃)的候选服务,一方面使服务使用者在选择服务时更理智,另一方面也促使服务提供者进一步完善服务质量;最后,利用组合权向量及序数效用函数值得到了局部最优服务.与文献中已有赋权模式的对比实验(包括候选服务效用值的对比、相关QoS属性值的对比等)及参数的敏感性分析说明了模型的有效性,其决策结果在一定程度上提高了局部最优服务选择的科学性及合理性.

基于局部最优分析的纺织品瑕疵检测方法

针对复杂的含有周期变化图案的纺织品瑕疵检测,提出改进Markov随机场模型的无监督纺织品瑕疵检测方法.应用随机场实现周期性纺织品图像的瑕疵检测,利用Markov邻域特性,综合判断瑕疵区域.结合周期图像分割,确定Markov随机场最小图像块计算单元,降低算法的计算复杂度.在随机场势函数定义中,综合考虑相邻图像块的差异特性,结合Markov随机场的全局性判断瑕疵点的位置.引入模糊相似关系矩阵概念,求解改进后的模型参数,使所有图像块的局部能量达到最优.实验表明,文中方法对样本的查全率较高.

一种基于块局部最优维纳滤波的图像重构算法

基于块的图像处理方法将欧氏距离作为相似块的评判标准,无法很好地反映块之间的结构性,导致重构图像存在不同程度的块效应。该文根据基于块的维纳滤波器能够充分利用图像块冗余度的特点,结合块效应的空间分布特征,提出一种改进的基于块局部最优维纳滤波的图像重构算法。首先,该算法通过对图像高频部分稀疏采样,将块效应限定在块与块的交界处,然后将图像分成块边界区域和块中心区域,利用几何结构相似和亮度相似的图像块确定滤波参数,进而平滑块效应。实验结果表明,该算法可以有效抑制重构过程中的块效应,且对于细节丰富的图像,重构效果的提升更加明显。

基于局部最优LWL的船舶操纵运动辨识建模

针对船舶操纵运动建模,本文提出了一种辨识建模方法,即局部最优的局部加权学习算法。该算法通过样本点重新排序和输入空间升维,解决了船舶运动状态一对多映射和不可分问题;并运用留一交叉验证为每个样本点训练一个距离测度,运用加权最小二乘在局部邻域中直接预测船舶操纵运动状态变量。构造局部目标函数,避免了传统的全局最优LWL算法容易陷入局部最优问题。与传统的机理建模相比,局部最优的局部加权学习算法克服了由多重共线性而引起的参数漂移和模型中存在未建模动态问题。通过一组人工数据和3自由度的Mariner轮的学习,实现了对非线性系统的高精度建模。与BPNN预报相比,具有较强的泛化能力。

新的全局—局部最优最小值粒子群优化算法

为了提高粒子群优化算法的收敛速度,克服陷入局部最优的缺点,在全局—局部最优粒子群优化算法的基础上,提出了一种新的改进粒子群优化算法——全局—局部最优最小值粒子群优化算法。该算法把惯性权重和学习因子分别通过结合全局和局部最优最小值来进行改写,速度更新公式也做了相应的简化。仿真实验表明该算法在收敛速度和寻优质量上都优于基于LDIW策略改进的粒子群算法和全局—局部最优粒子群算法。

多粒度决策系统的局部最优粒度选择

粒计算是知识表示与数据挖掘的一种重要方法.它模拟人类思考模式,以粒为基本计算单位,以处理大规模复杂数据和信息等建立有效的计算模型为目标.在粒计算看来,一个粒是由多个比较小的颗粒组成更大的一个单元.在许多场合下,由于不同标记尺度对数据有不同的分割,会得到不同层次的信息粒度.在面对具体问题时,自然而然地考虑选择一个合适的粒度层次来解决问题.针对具有多层粒度决策系统的粒度选择与规则获取问题,首先介绍了多粒度决策系统的概念,并在多粒度决策系统中定义了局部最优粒度,然后介绍了多粒度决策系统中基于局部最优粒度的属性约简.最后,给出了基于局部最优粒度的规则获取方法,并结合具体实例给出了规则获取的一个算法.

基于隐马尔可夫模型局部最优状态路径的数据重建算法

该文提出了基于隐马尔可夫模型局部最优状态路径的数据重建(LOPDI)算法。该算法假设语音特征矢量是一个L状态隐马尔可夫模型的输出序列,基于局部最优状态路径估计产生语音特征矢量的次最优状态序列,并按最大后验概率准则(MAP)重建出“缺失矢量”。实验表明,LOPDI算法能够显著提高语音识别系统对加性噪声的鲁棒性。

一种解决复合形局部最优及加速计算的方法

对求解非线性约束优化问题的复合形法陷入局部最优的问题进行探讨,给出了一种改进的方法。改进后的方法不仅可以有效地寻找全局最优解,而且计算速度较传统复合形算法快。

一种分数低阶局部最优目标检测方法

针对传统局部最优检测器在显著非高斯杂波背景下导致检测性能下降的问题,该文提出一种分数低阶局部最优雷达目标检测方法。首先对局部最优检测器的模型进行简化,在此基础上,根据分数低阶统计量理论,利用分数低阶相关矩阵描述杂波的相关特征,并以分数低阶二次型作为局部最优检测器的权值,改善了显著非高斯杂波背景下的雷达目标检测性能。利用仿真数据和IPIX雷达数据进行实验分析,结果表明,针对显著的非高斯杂波背景下的弱目标信号,相对于传统的局部最优检测方法,该文方法的检测性能显著提高。

基于局部最优匹配的斜视SAR子孔径成像算法

斜视合成孔径雷达(Synthetic Aperture Radar,SAR)能够对雷达平台的侧前或侧后方区域进行观测,极大地增加了雷达的探测范围和灵活性。针对斜视SAR子孔径成像,该文提出一种基于局部最优匹配准则的成像算法。该算法在针对某方位频率构造对应的距离徙动校正、2次距离压缩以及方位补偿函数时,以"位于该方位频率处的点目标得到最佳匹配"为准则,不同于传统方法的以"方位中心点获得最佳匹配"为准则,从而能够避免距离方位中心较远的目标的失配,有效地改善了方位边缘区域的聚焦效果。文中通过点目标仿真验证了该算法的有效性。

遗传算法局部最优的定向移民策略

基于定向移民策略的改进遗传算法,把定向移民引入遗传算法,经定向移民产生初始种群的集合,再复制、交叉和变异进化,随机选取高品质移民,组成新种群。由新种群开始复制、交叉和变异,直至寻出最优个体。试验结果表明,初始种群克服了GA自适应随机搜索局部最优和过早收敛问题。

一种局部最优型动态集成选择算法

提出一种建立在局部最优基础上的动态集成选择算法,并从理论上对算法进行了分析.该算法首先在多个局部特征空间上构造最优集成,然后使用动态集成选择技术对未知样本进行识别.局部空间上的集成构造问题被转换为一个单目标优化问题,并使用多种群遗传算法进行了求解.基于UCI数据集的实验表明,相对于现有的动态分类器选择算法和动态集成选择算法,新算法能够取得更高的识别率.同时,相对于现有的动态集成选择算法,新算法构造的集成规模更小,识别速度更快.

Ad hoc网络的局部最优路由选择策略

在Ad hoc网络中,由于节点的移动性及拓扑结构的易变性,路由成为最受关注的问题。提出了一种局部最优路由策略(LOR)。在该策略中,有两个节点需要通信时,根据节点存储的路由信息选择路径,如果有节点移动/删除,则就近选择合适的路径。仿真结果表明,LOR策略在工作过程中能使用较少的信息量和较小的时延来建立路径,明显提高了网络的性能。