基于信任度分配的小脑模型节点控制器改进算法及其收敛性分析

针对传统小脑模型节点控制器(CMAC)算法中的学习干扰现象,给出了一种基于信任度分配的CMAC改进算法(CA-CMAC).该算法将每个存储单元被激活次数的倒数作为该单元的信任度,误差的分配与该单元的信任度成正比.然后提出了信任度矩阵和信任度关联矩阵的概念,并根据线性方程组迭代理论,证明了改进算法在增量学习时的收敛性,给出了收敛条件并进行了验证.通过二自由度平面机器人臂逆动力学求解的仿真,比较了CA-CMAC与传统CMAC的性能,结果表明,CA-CMAC具有更快的收敛速度.

基于量子精英蛙的最小属性自适应合作型协同约简算法

属性约简是粗糙集理论研究的重要内容之一,现已证明求决策表的最小属性约简是一个典型NP-Hard问题.提出一种基于量子精英蛙的最小属性自适应合作型协同约简算法.该算法首先将进化蛙群编码为多状态量子染色体形式,利用量子精英蛙快速引导进化蛙群进入最优化区域寻优,有效增强进化蛙群的收敛速度和全局搜索能力.然后构建一种自适应合作型协同进化的最小属性约简模型,融合蛙群最优执行经验和分配信任度自适应分割属性约简集,并以模因组内最优精英蛙优化各自选择的属性子集,提高属性约简的协同性和高效性,快速找到全局最小属性约简集.实验研究表明提出的算法在搜索最小属性约简解时具有较高的执行效率和精度.

D-S证据理论在气固流化床流态判别中的应用

基于D-S证据理论,并结合模糊数学的知识,给出了一种流化床流态判别的数据融合方法。通过差压传感器和电容层析成像传感器分别采集信号,利用提取的特征值对各传感器的信任度函数进行分配,再利用D-S证据理论进行目标融合,得到最终流态判别结果。通过单传感器判别结果与融合的判别结果比较,说明了这种方法具有一定的优越性。