深度强化学习优化的学习向量量化聚类算法

基于学习向量量化(Learning Vector Quantization,LVQ)单次迭代聚类效果不稳定和随着数据维度增大,聚类效果下降的缺陷,采用了一种深度强化学习优化的LVQ聚类算法。将LVQ算法的每一次迭代看做深度强化学习的一个状态,LVQ算法初始化一组原型向量后,用原型向量与数据集中每一个数据点做“拉近”或“远离”运算来完成一次迭代。优化算法挑选一部分数据点,并与原型向量做运算,将这一过程作为一个动作,选取的数据子集不同,产生的动作也不同,把这些动作组成动作集,选定动作后,根据奖赏函数找到最佳动作,进入下一状态。通过对UCI公共数据集和碳碳沉积数据集试验,得出优化后的算法FMI提升3%到10%,Dunn指数提升2%到9%,准确率提高3%到6%,用于公共数据集及碳碳沉积材料的生产过程数据分析性能较优。

NRS-SVM两阶段遗传算法的多晶硅铸锭配料质量分析

在多晶硅铸锭配料质量分析中,针对邻域粗糙集-支持向量机(NRS-SVM)模型在处理多晶硅铸锭配料的连续型数据中邻域半径δ和SVM参数的取值问题,提出了将NRS-SVM模型与遗传算法(GA)相结合的两阶段遗传算法(NRS-SVM-GA).该算法的第一阶段通过搜索新的邻域半径来得到较好的约简集合,第二阶段采用第一阶段属性约简结果,通过搜索新的SVM参数训练出准确率较高的分类模型。算法根据每个阶段的目的提出了相应的适应度函数及终止条件,显著特点是实现了NRS-SVM自动化特征提取及分类预测,并将两个阶段单独进行,避免了通过分类器来评价约简性能所带来的时间消耗。在多晶硅铸锭配料数据集上进行实验,结果表明,与标准遗传算法相比,该方法运行时间短,输出结果稳定,可得到较少的特征和较高的分类精度。

融合支持度和不确定度的D-S证据理论及应用

为解决Dempster-Shafer(D-S)证据理论在处理冲突证据时,融合结果与事实相悖的问题,提出了一种新的冲突证据组合方法。首先,对Spearman相关系数进行改进并计算证据间的支持度,对原证据体进行第一次修正;然后,结合基于定积分的区间距离的优势,针对证据的不确定度进行分析,确定了新的折扣系数,对原证据体进行二次修正;最后,使用Dempster组合规则得到融合结果。算例分析表明,所提方法能有效地融合冲突证据,较经典改进算法有较高的基本概率分配。将所提方法用于碳/碳复合材料沉积数据,建立了一种基于改进D-S证据理论的碳/碳复合材料沉积质量预测模型,较几个经典分类器和已有的基于D-S证据理论的预测模型准确率提高了5%~13%,验证了方法的有效性。