属性权重动态更新的自适应群体共识决策方法

为了提高不确定语言环境下异构多属性群决策的质量、效率及可解释性,提出一种属性权重动态更新的自适应群体共识决策方法。首先,定义不确定语言变量与中间值之间的转换函数,发展多级共识测度,建立计算属性初始权重的双目标优化模型;进而,构建包含群体共识自动达成规则和属性权重动态更新机制的自适应共识模型,实现待调整值的精准定位和自动修改,在优化属性权重的同时进一步提升群体共识水平;然后,对于达成共识的群体决策矩阵,先利用转换函数将中间值转换为不确定语言变量,再使用属性权重和集结算子得到各方案的综合评价结果;最后,通过供应商选择实例和实验比较分析验证所提方法的有效性和可行性。本文研究结果为灵活、高效地求解复杂环境下的多属性群决策问题提供了有效途径。

基于信息量的试题非等权重神经认知诊断

该文提出了基于信息量的试题非等权重神经认知诊断(WNCD)方法,即利用学生能力水平与试题难度之间的相近程度来调整试题在学生认知状态估计时的权重,并通过神经网络拟合试题和学生之间复杂的非线性交互关系.与已有方法在ASSIST和PISA2012数据集上进行对比实验的结果表明:WNCD不仅保持了良好的解释性,而且提升了诊断精度.

基于IMQ惯性权重策略的自适应灰狼优化算法

针对灰狼优化算法(Grey Wolf Optimizer, GWO)寻优精度低、收敛速度慢的问题,提出了一种基于IMQ惯性权重策略的自适应灰狼优化算法(ISGWO)。该算法利用IMQ函数的特性,实现对惯性权重的非线性调整,从而更好地平衡算法的全局勘探能力和局部开发能力;同时,基于Sigmoid指数函数自适应更新个体位置,更好地搜索和优化问题的解空间。采用6个基本函数和29个CEC2017函数对ISGWO进行测试,并与6种常用的算法进行比较,实验结果表明ISGWO具有更优的收敛精度和速度。

基于多权重融合策略的Retinex矿井图像增强算法

受粉尘、湿度、照度等环境因素的影响,煤矿井下监控视频易出现光照不均、对比度低和细节模糊等问题,影响视觉伺服系统和视频分析系统的应用效果。传统图像增强算法存在亮区域增强过度、暗区域细节增强不足等问题,易产生不自然的光晕伪影和颜色失真。针对这一问题,提出一种基于多权重融合策略的Retinex矿井图像增强算法。算法基于HSV颜色空间,保持色调分量不变,仅对亮度分量和饱和度分量进行增强。首先,采用多尺度梯度域引导滤波算子从亮度分量中估计光照分量,并结合井下图像曝光过度和曝光不足共存的特性,应用自适应伽马函数对光照分量进行校正,实现照度均衡;同时,采用限制对比度自适应直方图均衡算法对反射分量进行对比度增强;然后,将亮度校正后的光照分量和对比度增强后的反射分量进行多权重融合,所采用的规范化权重由局部对比度权重、亮度权重和清晰度权重组合而成;针对色彩偏移问题提出新的映射函数对饱和度分量进行非线性拉伸;最后将图像由HSV空间变换回RGB空间,完成图像增强。实验结果表明,相较于MSRCR、NPE、SRIE、BIME算法,本算法在平均梯度、信息熵、标准差等图像指标方面均有不同程度的提升,可有效提高矿井图像的对比度、清晰度、色彩准确度,并减少光晕伪影。

基于高斯函数递减惯性权重的粒子群优化算法

为了有效地平衡粒子群优化算法的全局搜索和局部搜索能力,提出了一种基于高斯函数递减惯性权重的粒子群优化(GDIWPSO)算法。此算法利用高斯函数的分布性、局部性等特点,实现了对惯性权重的非线性调整。仿真过程中,首先对测试函数优化以确定惯性权重的递减方式;然后比较了该算法与权重线性递减、凸函数递减、凹函数递减的粒子群算法优化不同测试函数的性能;最后结果表明,提出的算法在搜索能力、收敛速度及执行效率等方面均有很大提高。

向量空间法中单词权重函数的分析和构造

文本分类是文本挖掘的基础与核心 ,是近年来数据挖掘和网络挖掘的一个研究热点 ,在传统的情报检索、网站索引体系结构的建立和 Web信息检索等方面占有重要地位 .深入分析了一种简单而常用的经典文本分类模型——向量空间模型 ( vector space model,VSM)——的实质 ,找出了其分类精度低的原因 ,提出了一种利用特征筛选中的评估函数代替 IDF函数进行权值调整的方法 ,并对采用各种不同评估函数进行权值调整的性能进行了理论分析和实验比较 ,提出了一种构造新的高性能评估函数的新颖方法 .

带有权重函数学习因子的粒子群算法

粒子群算法(PSO)中惯性权重和学习因子的独自调整策略削弱了算法进化过程的统一性和粒子群的智能特性,很难适应复杂的非线性优化,为此提出一种利用惯性权重来控制学习因子的PSO算法。该算法将学习因子视作惯性权重的线性、非线性以及三角函数,在惯性权重随时间线性或非线性递减的过程中,学习因子发生相应的递减或递增变化,进而通过增强两者之间的相互作用来平衡算法的全局探索和局部开发能力,更好地引导粒子进行优化搜索。同时为了分析惯性权重和学习因子的融合性能,采用线性和非线性权重法进行比较,测试函数的优化结果表明了采用非线性递减权重的优越性。最后通过对多个基准测试函数的优化分析,并与带有异步线性变化和三角函数学习因子调整方法的PSO进行比较发现,该策略利用惯性权重调整学习因子,能达到平衡粒子个体学习能力和向群体学习能力的作用,提高了算法的优化精度。

基于近似函数依赖的关系数据属性权重评估方法

在现实应用中,一些关系数据的规范化程度不高,往往存在数据冗余和不一致现象。为了有效评估此类数据中的属性重要程度,提出了一种基于近似函数依赖的属性权重评估方法。该方法基于一致集的概念导出最大集,生成最小非平凡函数依赖集,从而找出属性之间的近似函数依赖关系,进而求出近似候选码和近似关键字,在此基础上根据属性支持度计算属性权重。实验结果和分析表明,提出的属性权重评估方法能够合理地获取关系数据中的属性重要程度,算法具有较好的稳定性和较高的执行效率。

用正弦函数描述非线性惯性权重的微粒群算法

为改进标准微粒子群算法,提出了一种用Sin函数非线性描述惯性权重动态调整微粒群的方法。由于原算法存在早熟收敛和搜索效率低,提出改进基本微粒群算法的惯性权重参数,将微粒群算法中的惯性权重用正弦函数来描述,通过对粒子位置和速度进行自适应非线性调整,使算法在前期阶段具有较快的收敛速度,在算法后期局部搜索能力也不错,减少了微粒陷入局部极值的机会,使结果收敛于全局最优解,为了验证算法的有效性,采用Shaffer's F6和Levy No.5函数进行测试,实验结果表明,新方法具有比较好的效果。

基于线性函数型权重的RBF-ARX模型的磁悬浮球系统预测控制

为了充分描述磁悬浮球系统具有非线性、开环不稳定性及响应快速性等特性,建立一个带线性函数权重的RBF-ARX(linear functional weight RBF networks-based ARX model,LFWRBF-ARX)模型。与一般的RBF-ARX模型不同之处在于,它引入1个与工作点状态相关的局部线性结构作为RBF网络输出层的权值。该模型随系统工作点的变化而变化,固定工作点时为局部线性ARX模型,当工作点变化时为全局非线性ARX模型。根据该模型的结构特点,采用结构化非线性参数优化方法(structured nonlinear parameter optimization method,SNPOM)来辨识模型的结构及线性、非线性参数。然后,以辨识的模型为基础,根据模型的局部线性及全局非线性特征设计预测控制器。仿真结果表明:以该建模方法建立的模型能很好地局部和全局描述磁悬浮球系统的动态特性,并能实现小球的稳定悬浮控制,比以一般ARX模型、RBF-ARX模型为基础的控制效果更好。

P-III分布参数的概率权重矩法S函数计算

概率权重矩法是一种估计统计分布参数的方法。本文根据不完全Γ函数在无限区间积分,推导了P-III分布参数的S函数的计算公式。通过现有计算公式比较,其计算结果具有较高的计算精度,避免了的大量的数值积分计算。文中公式只要借助于计算编程进行求解,给定超几何函数项一定的截断误差,其运算具有较高的运行速度。文中计算公式是一种P-III分布参数S函数的计算途径。

函数权重均值及其凸性(一)

给出了函数权重均值的定义，得到了函数均值在凸函数中的性质、函数均值的意义及其应用。

结合Kriging模型U权重学习函数结构可靠性研究

Kriging模型的U学习函数(Learning Function U)是将模型预测符号容易产生错误的样本点加入设计并拟合模型,但是样本点在非重要区域的过多抽样会导致模型的收敛速度偏慢。为提高可靠性的计算效率,通过对样本点赋予不同的权值,提出U权重学习函数(Weight Learning Function U,WU)。学习函数选择的样本点接近极限状态曲面,有效减少功能函数的调用次数,加快Kriging模型的收敛过程,提高可靠性计算效率。算例表明WU函数相比其他方法在Kriging模型建立过程中所需样本点少,收敛速度快,计算效率高,在功能函数复杂或为隐式的工程问题中具有较高的实用价值。

Prelec概率权重函数先验行为假设拓展

提出一种称为中值不变性的概率权重函数先验行为假设,提供一种推导Prelec概率权重函数的新方法,并给出更弱条件下满足中值不变性的定义。分析并阐述了中值不变性较已知的3种先验假设在可行性和可靠性两个方面的综合优势,其结论更容易被人们接受,对决策者有实际参考意义。至此,存在4种可推导出Prelec概率权重函数的先验行为假设。

指数函数功率重构的超级电容荷电控制策略研究

光伏及混合储能系统中,常用变分模态分解(VMD)实现系统剩余功率分配,但其中分解模态数、二次惩罚因子的取值直接影响功率重构的误差,常用的凹型、S型函数惯性权重误差较大。以皮尔逊相关系数为适应度函数,提出采用指数型函数惯性权重粒子群算法参数优化VMD参数,获得VMD算法中各自[K,α]最优值组合,分解系统剩余功率,将剩余功率合理分配至蓄电池和超级电容。进而提出在考虑超级电容荷电状态(SOC)下的混合储能功率互补优化控制策略,使其SOC运行于稳定区域。算例分析中,采用对称平均绝对百分误差(SMAPE)对比分析了三种惯性权重函数优化算法下的功率重构误差,并考虑超级电容SOC与优化控制。结果表明,采用指数型函数惯性权重算法得到的功率重构误差最小,并使得超级电容SOC控制在稳定区域,避免过充过放现象,延长其使用寿命。

基于IGG权重函数复数域多元线性回归算法的谐波责任分摊方法

针对现有多谐波源责任分摊方法中存在的测量平差问题,对谐波责任稳健估计方法进行了研究。为了克服系统背景谐波电压波动的影响,提出基于复残差的背景谐波电压划分方法,引入中国科学院大地测量与地球物理研究所提出的IGG权重函数,基于复数域多元线性回归数学模型,在各时段内重复使用IGG权重函数确定回归系数,以提高背景谐波电压中样本筛选的抗差性;结合等效谐波阻抗的置信区间,提出了评估结果的检验方法;对IEEE 14节点测试系统进行仿真,仿真结果表明所提多谐波源责任分摊方法能够有效克服系统背景谐波电压波动的影响,并与现有分摊方法进行比较,验证所提方法的准确性和可行性。

自适应惯性权重的粒子群优化算法

针对粒子群优化算法容易陷入局部极值、进化后期的收敛速度慢和精度低等问题,提出自适应惯性权重的粒子群优化算法。算法采用自适应更新惯性权重,添加影响算子,并通过惯性权重自适应调整学习因子,然后加入随机局部搜索策略;最后使用测试函数,通过和3种优化算法进行30次重复实验。结果表明,提出的算法具有更好的全局收敛能力,且收敛精度、和稳定性都有明显的提升。

基于自适应权重和莱维飞行的改进海鸥优化算法

在齿轮系设计问题中,传统算法存在计算复杂与精度低等缺点,海鸥优化算法(SOA)得益于其算法原理简单、通用性强、参数少等特性,现多用于工程设计问题.然而,标准海鸥优化算法易出现寻优精度低、搜索速度慢等问题,本文提出一种混合策略改进的海鸥优化算法(WLSOA).首先,利用非线性递减策略增强海鸥优化算法的探索开发能力,提高寻优精度.其次,在海鸥攻击阶段引入自适应权重平衡全局与局部的搜索能力和加入莱维飞行步长对当前最优解进行扰动,提高算法跳出局部最优值的能力.然后分别使用WLSOA、黄金正弦算法、鲸鱼优化算法、粒子群优化算法、传统海鸥优化算法及最新提出的改进海鸥优化算法,通过在9个经典的测试函数上进行仿真实验来探究WLSOA的性能.结果表明,WLSOA比其他6种算法寻优精度更高,收敛速度更快.最后,在齿轮系设计问题上,通过与其他13种常见的群智能算法的比较表明,WLSOA的求解性能优于其他算法.

基于惯性权重优化的测试用例生成方法

针对组合测试测试用例生成环节中局部最优的问题,提出一种基于惯性权重优化的测试用例生成方法。结合粒子群算法的优点,以生成最小规模覆盖表为目标,改进适应值函数,设计一种惯性权重微分递减策略;在此基础上,更新调优后的惯性权重值,使用测试用例演化策略迭代生成测试用例集,提升生成更小规模覆盖表的能力。实验结果表明,该方法在高覆盖需求下,覆盖表最小生成规模和平均生成规模优于其它方法。

基于核函数和标记权重的多标记特征选择

对于多标记学习,不同的标记对区分样本有着不同程度的作用,因此,根据标记的重要性为不同标记赋予不同权重可能有利于提高多标记学习精度。基于这一假设,提出了一种基于核函数和标记权重的多标记特征选择算法。首先,根据标记所含样本的个数对标记赋予相应的权重。然后,利用核函数将特征空间映射到区分性强的高维特征空间中,在映射后的特征空间中,利用信息熵度量特征与标记空间之间的相关性,对特征进行排序。最后,多个公开数据集上的实验结果表明该算法优于一些先进的对比算法。