基于平均值余量的Wrapper扫描链平衡算法

测试问题已成为SoC发展过程中的瓶颈,提出一种新的Wrapper扫描链平衡算法以期缩短IP核测试时间。算法首先计算Wrapper扫描链长度平均值,再结合特定的余量值,计算得到一个取值区间,记该区间为平均值余量;然后将IP核的内部扫描链按其长度降序排列,每次均将最长的内部扫描链添加到某条Wrapper扫描链上,直到该Wrapper扫描链长度在平均值余量所指定的区间内为止。以ITC'02 SoC Test Benchmarks内的所有测试集为对象完成的实验证明本算法能极其有效的通过扫描链平衡设计缩短IP核测试时间。

基于Mediator/Wrapper信息集成的查询优化研究

在对Mediator/Wrapper集成系统及其查询特点进行详细分析的基础上,针对涉及多个数据源的连接查询是使用频率较高且是查询代价最高的一种查询方式这一事实,确定了以全局连接查询为主要优化对象,并提出了用半连接方法来优化连接查询。在对半连接执行方案进行优化时,提出了半连接加权有向图的概念,并给出了针对半连接加权有向图的半连接执行方案的快速有效的优化算法。

基于Wrapper的信用风险预测模型研究与应用

研究了一个有效适用的企业信用风险预警模型。针对单一BP神经网络预测模型由于财务指标选择不当导致误判率较高的问题,提出了首先进行特征选择,利用遗传算法搜索出最优特征子集,并采用BP神经网络作为遗传算法的评估函数,构建了一个基于Wrapper方法的神经网络信用风险预测模型。以沪深股市1998—2004年间的制造企业数据为例对模型进行实验,结果表明,新模型提高了预测准确率,评估结果更具科学性,实际应用具有良好的信用风险预测能力。

改进的森林优化特征选择算法在信用评估中的应用

信用评估是金融领域的一个关键问题,它可以预测出一个用户是否存在拖欠风险,从而减少坏账损失。信用评估的关键挑战之一就是数据集存在着大量无效或冗余特征。为了解决该问题,提出了一种改进的森林优化特征选择算法(Improved Feature Selection using Forest Optimization Algorithm,IFSFOA)。该算法针对原始算法FSFOA的不足,在初始化阶段使用基于卡方校验的初始化策略代替随机化初始,提升算法寻优的能力;在局部播种阶段利用多层级变异策略,优化局部搜索能力,解决FSFOA的搜索空间受限和局部性问题;在更新候选森林时,使用贪婪选取策略挑选优质树,淘汰劣质树,收敛搜索发散过程。最后在涵盖了低维、中维和高维的公开信用评估数据集上设置对比实验,结果表明IFSFOA在分类和维度缩减方面的能力的综合表现均优于FSFOA和近年提出的较为高效的特征选择算法,验证了IFSFOA的有效性。

基于混合进化算法的特征选择方法研究

特征选择(Feature Selection,FS)是一种有效的数据预处理方法,它可以通过选择高维数据中一组具有高相关性和低冗余性的特征,从而解决数据冗余引起的维数灾难.目前许多计算方法已经被应用于求解FS问题,其中基于教与学优化(Teaching and Learning-based Optimization Algorithm,TLBO)的特征选择模型由于其高效的全局搜索能力受到越来越多学者的关注.然而,随着数据规模的不断扩大,这些算法所具有的模型不稳定、模型精确度低和局部搜索能力差等局限性,使算法的研究逐步陷入困境.为解决上述问题,本文提出了融合教与学优化算法与局部搜索方法(Local Search,LS)的混合进化Wrapper算法模型(Teaching and Learning-based Optimization-Local Search Algorithm,TLBOLS).首先,由于传统的教与学优化算法不能直接用于求解特征选择问题,算法在初始化阶段将实数型编码转为二进制编码,然后为保证种群的多样性,在教阶段引入最差个体重启机制,并针对进化班级过程中学习者与教学者两种身份采用不同值的TF值,提出二进制的教与学特征选择算法(Binary Teaching and Learning-based Optimization-Local Search Algorithm,BTLBOLS).随后,提出结合多操作的局部搜索方法和变邻域搜索逐渐增强扰动力度,提高整个种群的个体质量.为优化特征选择结果,BTLBOLS利用综合评价指标作为目标函数指导整体进化过程.实验选取45个高维癌症基因表达数据集进行测试并与十种特征选择算法相比,实验结果表明,相比其他算法,BTLBOLS在分类准确率和特征个数上都具有一定优势,算法分类性能有效提高.

基于统计相关性与K-means的区分基因子集选择算法

针对高维小样本癌症基因数据集的有效区分基因子集选择难题,提出基于统计相关性和K-means的新颖混合基因选择算法实现有效区分基因子集选择.算法首先采用Pearson相关系数和Wilcoxon秩和检验计算各基因与类标的相关性,根据统计相关性原则选取与类标相关性较大的若干基因构成预选择基因子集;然后,采用K-means算法将预选择基因子集中高度相关的基因聚集到同一类簇,训练SVM分类模型,计算每一个基因的权重,从每一类簇选择一个权重最大或者采用轮盘赌思想从每一类簇选择一个得票数最多的基因作为本类簇的代表基因,各类簇的代表基因构成有效区分基因子集.将该算法与采用随机策略选择各类簇代表基因的随机基因选择算法Random,Guyon的经典基因选择算法SVM-RFE、采用顺序前向搜索策略的基因选择算法SVM-SFS进行实验比较,几个经典基因数据集上的200次重复实验的平均实验结果表明:所提出的混合基因选择算法能够选择到区分性能非常好的基因子集,建立在该区分基因子集上的分类器具有非常好的分类性能.

一种两阶段的神经网络属性选择方法

神经网络的输入属性选择一直是一个比较困难的问题.由于神经网络反复训练的时间复杂度,Wrap-per方法是不适用的,而单纯使用Filter方法也难以获得很好的分类精度.文中提出了一种两阶段的神经网络属性选择方法,以综合Filter和Wrapper两类方法的优势.该方法首先采用基于不一致率的遗传算法GFSIC来删除属性集合中的无关属性,然后采用基于敏感性度量的属性选择算法SBFCV来删除冗余和无用的属性.研究和实验结果表明,该方法可以有效地删除原始数据中的无关和冗余属性,增强神经网络的泛化能力.

页面包装器自动生成的改进算法

论文提出了一种页面包装器自动生成的改进算法,在对两个HTML页面进行匹配生成页面包装器的过程中,该算法使用树型数据模型作为基础,比原算法具有更高的执行效率。

SoC测试访问机制和测试壳的蚁群联合优化

针对系统级芯片(SoC)测试壳优化和测试访问机制的测试总线划分问题,提出了基于蚁群算法的SoCWrapper/TAM联合优化方法.构造蚁群算法时首先进行IP核的测试壳优化,用于缩短最长扫描链长度,减少单个IP核的测试时间;在此基础上进行TAM结构的蚁群优化,通过算法迭代逼近测试总线的最优划分,从而缩短SoC测试时间.对ITC2002基准SoC电路进行实验的结果表明,该方法能有效地解决SoC测试优化问题.

一种新的混合特征选择方法RRK

提出一种新的基于包装方法和过滤器方法的混合特征选择算法RRK。该算法主要包括两个方面:①在特征预选阶段,提出一种基于ReliefF算法的特征加权算法NReliefF和降维算法DR,以实现特征加权并去掉不太重要的特征;②在特征选择阶段,把NReliefF算法和KNN算法结合起来,将预选特征作为输入,用分类正确率来选择最优特征。分别采用一个实际的乘员类型数据集和UCI上的imagine标准数据集进行了实验。实验结果表明,采用RRK后分类的效率和正确率都有明显提高。

一种使用多Filter初始化GA种群的混合特征选择模型

特征选择已经是高维数据处理尤其是模式识别领域中的一个关键问题.提出一种混合特征选择模型用于从潜在的相关特征中选择那些最重要的特征.该模型包括两部分:filter部分与wrapper部分.在filter部分,4种不同的Filter方法分别对候选特征进行独立排序,在融合后进一步生成综合特征排序,综合排序随后产生遗传算法(GA)的初始种群.在wrapper部分,GA算法根据神经网络的分类准确率对个体(特征子集)进行评价,以便于搜索到最优的特征子集.测试结果表明,该模型不仅能有效地减少特征子集的大小,而且还可以进一步提高分类识别的准确率和效果.

基于绕封模型的故障特征选择方法研究

在机械故障诊断中,基于原始大特征量的故障状态识别会导致识别精度的下降。特征选择可以去除原始特征中的冗余特征,提高诊断精度。但以前广泛应用的基于过滤模型的特征选择方法不能满足进一步提高精度的要求。针对此问题,提出使用基于绕封模型的故障特征选择方法,它采用遗传算法对特征集寻优,样本划分法进行错误率预测估计和BP神经网络学习算法进行分类。轴承诊断实例证明,此方法有较好的寻优特征子集的能力,可以提高系统的诊断精度。

故障特征组合选择方法

特征选择方法主要包括过滤方法和绕封方法。为了利用过滤方法计算简单和绕封方法精度高的优点,提出一种组合过滤和绕封方法的特征选择新方法。该方法首先利用基于互信息准则的过滤方法得到满足一定精度要求的子集后,再采用绕封方法找到最后的优化特征子集。由于遗传算法在组合优化问题上的成功应用,对特征子集寻优采用了遗传算法。在数值仿真和轴承故障特征选择中,采用新方法在保证诊断精度的同时,可以节省大量选择时间。组合特征选择方法有较好的寻优特征子集的能力,能够节省选择时间,具有高效、高精度的双重优点。

直接验证的封装式特征选择方法

封装式特征选择算法可以准确地选择出有价值的特征,但是其评价过程伴随着极大的时间复杂度。为此,该文针对封装式特征选择算法中时间复杂度最高的交叉验证评价环节,提出了可以替代交叉验证的特征集直接评价方法——LW测量。进一步,将该方法与封装式特征选择算法中常用的序列搜索策略相结合,提出了改进的序列前(后)向搜索特征选择算法SFS-LW(SBS-LW)。通过在2个UCI数据集上与传统的基于交叉验证的封装式特征选择算法进行3组对比实验,结果表明该改进特征选择方法具有与传统方法近似的分类精度,但在时间复杂度上则有数倍的改善。

复杂产品一体化优化设计框架研究

复杂产品的一体化设计过程涉及多个互相关联的分系统,支持一体化设计的优化框架需要能够集成优化设计过程中涉及的异构应用并进行优化,从而辅助设计人员对总体与各分系统的优化设计进行验证。在分析国内外复杂产品一体化优化设计研究现状的基础上,基于C/S模式提出了一种支持复杂产品一体化设计的优化框架体系结构。该优化框架包括两方面的关键技术:包装器集成技术和混合遗传算法。异构应用首先按照接口规范包装后形成可发布的共享组件,便于构建一体化设计过程。在此基础上,通过混合遗传算法等辅助设计人员进行优化计算。最后阐述了目前的工作和下一步需要解决的问题。

基于自适应广义回归神经网络的链路质量评估

为选择合适的链路质量参数,进一步提高链路质量评估的性能和泛化能力、降低时间复杂度,确定链路质量参数的备选集M CS={μ,r,σ2},其中μ={μlqi,μrssi,μsnr},r={r lqi,r rssi,r snr},σ2={σ2 lqi,σ2 rssi,σ2 snr};提出包裹式链路质量参数选取算法,采用自适应广义回归神经网络(adaptive general regression neural network,AGRNN)评价各备选子集的重要性,选择链路质量参数;借助广义回归神经网络(general regression neural network,GRNN)在分类以及时间上的优势,提出基于AGRNN的链路质量评估模型,该模型为每个链路质量参数分配不同的光滑因子,采用误差反向传播的思想对其进行自适应修正;采用准确率、召回率、泛化误差和计算时间评价链路质量评估模型.室内、公园和公路场景下的实验表明:与基于多项式法、随机森林、支持向量分类器的链路质量评估模型相比,基于AGRNN的链路质量评估模型具有更优的评估性能和更好的泛化能力以及更低的时间复杂度.

基于多目标进化封装的特征选择在人脸识别中的应用

为了在实施分类工作时将不相关的、多余的、具有噪声的特征从问题表示中去除,以降低复杂度并得到可接受的性能,提出了一种基于多目标进化封装的特征选择方法。首先利用染色体选择的特征重新参数化人脸图像从而获得主动形变模型特征集;然后通过多目标遗产算法进行特征选择,在最小化特征子集基数的同时最大化判别容量;最后结合提出的综合适应度函数及k-近邻分类器完成人脸的识别。在Essex人脸数据库上的实验验证了所提方法的有效性,实验结果表明,相比其它几种较为先进的方法,所提方法不仅降低了表示的维度,同时提高了分类性能。

特征选择方法与算法的研究

特征选择的主要思想是通过去除一些包含少量或不相关的信息的特征去选择特征子集。特征选择方法可分为三大类:一是过滤式,二是封装式,三是嵌入式。鉴于目前存在大量的特征选择算法,为了能够适当地决定在特定的情况下使用哪种算法,需要提出可以依赖或判定的标准。文中的主要工作就是综述一些基本特征选择算法,根据文献中已有的理论和实验结果对特征选择方法和算法进行比较分类,然后提出一种可以依赖或判定的标准。

基于树结构的包装器全自动生成方法的研究

论文研究并实现了一种包装器全自动生成算法,使用两个页面的树形结构,从对比两棵树之间的相同与差异发现模式,从树结构中结点的不匹配之处推导出包装器.在实际HTML页面上的实验已经证明,这种方法能够更好的发现可选结构和迭代结构.

基于EMD与GA-SVM的轴承故障诊断

特征提取与特征选择是实现轴承故障诊断的关键。针对特征提取,首先将轴承振动加速度信号进行经验模态分解(empirical mode decomposition,简称EMD),得到一组固有模态函数(intrinsic mode function,简称IMF),计算各IMF的能量和IMF矩阵的奇异值分布,采用Shannon熵、Renyi熵度量能量和奇异值分布,同时提取原信号的部分统计特征共同构成原始特征子集;针对特征选择,采用遗传算法(genetic algorithm,简称GA)和最小二乘支持向量机(least square supportvector machine,简称LS-SVM)的Wrapper方法选择最优特征子集。在实际轴承故障诊断中的应用,表明文中所提方法的有效性。