基于优化子集顺序的三维OSEM图像重建算法

在有序子集算法中,大的子集个数可以加速算法的收敛,但重建图像的质量也会受到影响.为了加速OSEM算法的收敛速度,提高重建图像的质量,本文提出一种优化子集顺序的方法,该方法不仅考虑了子集间的几何相关性,还能使已选用的子集在几何上尽可能地分布均匀.实验选取3-D Shepp-Logan模型作为测试模型,并且从数量上和质量上对重建图像进行分析,结果表明,所提出的算法不仅收敛速度快,还可以减小因增大子集个数对重建图像质量造成的影响.

采用优化特征子集选取和改进SVR的养殖禽舍温度预测算法

为提高养殖禽舍温度预测算精度,降低数据冗余度和差异性对预测结果的影响,提出一种基于智能优化特征子集选取和模糊聚类改进SVR(Support Vector Regression)的温度预测模型。首先,构建最优特征子集选取模型,通过设计最优特征子集选取指标,以降低特征之间冗余度和数据维度;采用改进的离散灰狼算法对特征子集选取模型进行求解,以实现最优特征子集选取。其次,建立模糊聚类改进SVR预测机制,通过设计多度量核FCM(Fuzzy C-means)算法,以实现数据样本自动分类;提出与数据样本分类相对应的SVR预测算法,并采用灰狼算法对SVR参数进行优化,最大程度降低样本数据差异性对预测精度的影响。最后,融合最优特征子集选取和模糊聚类改进SVR预测机制,以实现养殖禽舍温度高精度预测。仿真结果表明,该算法实现不同季节条件下养殖禽舍温度的高精度预测,相比于其他预测算法,预测精度提高约23.7%~37.8%。所提养殖禽舍温度预测算法具有良好的预测性能,具有一定的推广应用价值。

子集优化在非线性系统辨识中的应用

提出了一种基于子集优化的非线性系统辨识方法．该方法没有对非线性系统激励信号的统计特性作任何假设，但它的计算量比现有的方法低，而对非线性系统输入输出数据量的要求也比现有的方法少．仿真结果表明。

增广拉格朗日子集模拟优化方法

传统的工程结构优化设计方法在求解多设计变量、多约束条件的结构优化设计问题时,存在诸多不足,针对上述问题,基于增广拉格朗日约束处理方法和子集模拟优化方法发展一种新的结构优化设计方法——增广拉格朗日子集模拟优化方法(ALSSO)。该方法首先利用拉格朗日乘子法处理多重约束条件,然后利用子集模拟优化方法对转化后的无约束优化问题进行求解;对罚函数因子的更新方法进行改进,以保证收敛过程的稳定性;利用两个算例对该方法的计算精度、稳健性以及计算效率进行验证,并与其他优化方法进行对比。结果表明:增广拉格朗日子集模拟优化方法具有非常优秀的寻优性能。

基于不同MCMC抽样子集模拟的模型修正方法对比研究

子集模拟方法作为结构可靠度分析方法,也可应用于工程优化问题,诸如优化设计、模型修正等.为研究基于不同蒙特卡洛马尔可夫链(MonteCarloMarkovChain,MCMC)抽样的子集模拟优化方法(Subset Simulation Optimization,SSO),以有限元模型修正作为优化背景问题,开展其精度和效率的对比研究.介绍标准SSO和子集模拟(Subset Simulation,SS)常见的MCMC抽样方法,并基于上述不同MCMC抽样的SSO开展某局部损伤悬臂梁(10维变量)的有限元模型修正,修正结果与基于遗传算法(Genetic Algorithm,GA)的模型修正方法进行对比;而后将上述不同MCMC抽样的SSO修正方法应用于某四层钢框架有限元模型修正中(11维变量).结果表明,采用随机游走的延迟拒绝修正M-H方法(MMH algorithm with Delayed Rejection,MMHDR)和自适应条件抽样方法(Adaptive Conditional Sampling,ACS)的SSO有限元模型修正具有较好的精度和效率,在工程结构有限元模型修正中更具优势.

基于改进的免疫遗传的选择性随机森林优化算法及应用

本文根据选择性集成思想,应用免疫遗传算法完成随机森林子集选择。由于传统的免疫遗传算法存在初始种群多样性差,容易陷入局部最优等问题,本文针对优化随机森林子集问题提出了一种新的生成初始种群的方法,并在UCI数据集上选取四个数据集进行验证,实验结果表明该方法可以增加种群多样性,提高搜索最优解的效率。接着从UCI数据集中选择一组数据并应用改进的免疫遗传的选择性随机森林优化算法对其进行回归预测,树的压缩率达到60%,模型泛化误差从0.2697降低到0.2679,森林规模缩减,且预测精度有所提高。

基于分类区分度和相关性的手形特征选择方法

针对手形特征识别中,由于特征间高相关性产生冗余而降低识别性能的问题,提出利用信息增益和相关系数分别对特征的分类区分度和相关性进行评价,并经过综合分析对手形特征进行优化选择。该方法能够保留分类中起关键作用的特征,并同时去除高相关性的冗余特征量。为了证明该方法的有效性和准确性,采用浮动搜索的方法,以识别率为评价函数确定特征优化组合。实验结果表明,优化后6个特征组成向量的识别率达到96.24%,比全部9个特征组成的特征向量提高了0.43%,同时由于特征数目的减少也降低了运算时间。该方法可以避免常用的搜索性选择方法的复杂性,并有效去除手形识别中低区分度和高冗余的特征,有利于简化算法并与其他特征进行融合使用。

木材抗拉强度的近红外光谱MC-UVE-IVSO建模方法

木材抗拉强度是评价木材力学性质的重要指标。针对近红外光谱建模中样本数据量小、波长信息冗余所导致预测模型精度低的问题,提出一种基于模型集群分析MC-UVE-IVSO波长优选的木材抗拉强度建模方法。以桦木为例,选取150个桦木样本作为实验对象,首先使用900~1700 nm波段的近红外光谱仪采集试件光谱数据,并采用力学试验机获得相应的抗拉强度真值;然后对采集的光谱数据运用多元散射校正(MSC)、一阶求导和卷积平滑(SG)相结合的方法进行预处理,完成光谱平滑滤波;分别采用变量组合集群分析算法(VCPA)、蒙特卡罗无信息变量消除法(MC-UVE)、迭代变量子集优化算法(IVSO)及MC-UVE-IVSO组合优化算法进行波长筛选,并对比优选波长结果;最后在优选近红外波长基础上,建立桦木抗拉强度的偏最小二乘预测模型(PLS)。实验结果表明:基于MC-UVE-IVSO算法优选波长的PLS模型,光谱变量数由512减小到98,优选波长占总波长的19%,其预测决定系数R^(2)为0.94,预测均方根误差RMSEP为7.50,性能偏差比RPD为3.16,相比于全波段、MC-UVE、VCPA、MC-UVE-VCPA与IVSO相应的R^(2)(0.92、0.93、0.82、0.87、0.93)、RMSEP(17.91、11.7、14.91、12.12、8.47)和RPD(2.81、2.91、2.25、2.28、2.78)均有不同程度提升;通过统计特征波长所建立的预测模型箱形图,进一步证明了MC-UVE-IVSO算法在处理多变量波长的稳定性。实验结果表明,MC-UVE方法可以消除与建模不相关的多数变量,而IVSO算法能有效搜索出最优变量子集,基于MC-UVE-IVSO的光谱优选算法提升了木材抗拉强度预测模型的准确性和稳定性,为木材近红外光谱的无损、快速与精准检测提供了一定的理论基础。

基于差异度的不均衡电信客户数据分类方法

针对传统分类技术对不均衡电信客户数据集中流失客户识别能力不足的问题,提出一种基于差异度的改进型不均衡数据分类(IDBC)算法。该算法在基于差异度分类(DBC)算法的基础上改进了原型选择策略。在原型选择阶段,利用改进型的样本子集优化方法从整体数据集中选择最具参考价值的原型集,从而避免了随机选择所带来的不确定性;在分类阶段,分别利用训练集和原型集、测试集和原型集样本之间的差异性构建相应的特征空间,进而采用传统的分类预测算法对映射到相应特征空间内的差异度数据集进行学习。最后选用了UCI数据库中的电信客户数据集和另外6个普通的不均衡数据集对该算法进行验证,相对于传统基于特征的不均衡数据分类算法,DBC算法对稀有类的识别率平均提高了8.3%,IDBC算法对稀有类的识别率平均提高了11.3%。实验结果表明,所提IDBC算法不受类别分布的影响,而且对不均衡数据集中稀有类的识别能力优于已有的先进分类技术。