基于CBR+RBR的快速应急预案生成方法

针对现存应急预案大都是文本形式预案,用于处理突发事件时指导性不强、指导作用不明显,提出基于案例推理(case based reasoning,CBR)与基于规则推理(rule based reasoning,RBR)相结合的方法。采用RBR方法,推理得出需要的应急预案,运用CBR方法,使用最近邻匹配方法从案例库中查找符合给定相似度的案例,并将2种方法相结合。结果表明:该方法能克服单独使用CBR时面临的无规则预案生成陷入困境及单独使用RBR时预案生成延时及规则建立难度大的瓶颈,兼容RBR极强的推理演绎能力和CBR建立与维护系统容易的优势,使生成应急预案更加高效可靠。

基于改进K-近邻规则的数据库营销分析

文章提出一种基于改进K-近邻规则的数据库营销模型。根据数据样本的近邻信息动态确定其最优的近邻个数K,以避免人为设定K这一重要参数可能造成的影响。根据K个近邻距样本的距离,设定不同的投票权重以预测样本属于某一类别的概率。在实际数据集上的实证结果表明,提出的改进K-近邻规则不仅为K值设定提供了一种有效的方法,还能够提高数据库营销的准确性和结果的可解释性,可以有效应用于实际的数据库营销。

二维元胞自动机相位解缠算法的改进

提出一种改进的二维元胞自动机相位解缠算法。通过将原有元胞自动机相位解缠算法中的4邻域迭代规则改进为最近邻域规则,以干涉图的边缘作为始点进行迭代,逐一减少干涉条纹的数目,达到相位解缠的目的。用模拟和真实的干涉图进行实验,结果表明,该算法减少了原有元胞自动机相位解缠算法的迭代次数,降低了计算机内存的占用率,提高了相位解缠的精度。

基于TSNS和KNN规则的复杂多阶段过程故障检测

针对复杂工业过程数据的动态性、非线性和多阶段性等特征,提出基于时空近邻标准化和KNN规则(Time-Space Nearest Neighborhood Standardization and K Nearest Neighbor Rule,TSNS-KNN)的复杂多阶段过程故障检测方法。首先使用训练样本在时间和空间域上的两层嵌套近邻集的统计信息对样本预处理,然后将标准样本的累积近邻距离作为检测统计量进行故障检测。TSNS-KNN在排除非线性干扰的同时,消除了前后时刻样本间的动态相关性,将多阶段数据转换为单阶段数据,从而实现对复杂多阶段过程的检测。将该方法运用于数值实验和青霉素发酵过程,并与其他方法进行比较,对比结果进一步验证了TSNS-KNN方法的优越性。

邻域保持嵌入—加权k近邻故障检测算法及其在半导体蚀刻过程中的应用

为了解决复杂的多模态过程故障检测问题,提出了邻域保持嵌入—加权k近邻规则(neighborhood preserving embedding-weighted k-nearest neighbors,NPE-wkNN)质量监控方法.首先,利用邻域保持嵌入(neighborhood preserving embedding,NPE)得到特征空间中数据的流形结构;然后,在特征空间中确定每个样本第k近邻的前K近邻集并计算样本的权重.最后,将样本的加权距离作为统计量对过程进行质量监控.NPE-wkNN方法在保持原始数据近邻结构的同时降低了计算复杂度,除此之外,权重规则消除了数据的多模态特征,从而提高了过程故障检测率.通过数值实例和半导体蚀刻工艺仿真实验,对比了传统的主元分析(principal component analysis,PCA)、NPE、k近邻(k-nearest neighbor,kNN)、加权k近邻(weighted kNN,wkNN)等方法,结果验证了本文方法的有效性.