基于信息增益和相关性的判定树特征选择算法

特征选择是模式识别中需要解决的一个重要问题.针对已知类标号的样本集合,从特征的分类信息和特征间相关性2个方面出发,提出了一种基于信息增益和相关性的判定树特征选择算法.该算法是一种有监督方法,先采用信息增益度量特征的分类区分度,采用相关系数度量特征的冗余度,然后建立判定树,则树中的节点即为选择出的特征.     

LRE试车数据挖掘中基于最大散度差的模糊聚类分析方法

在对液体火箭发动机试车数据进行聚类分析时,为解决故障数据样本与正常样本类间差异不大的问题,引入最大散度差准则,提出基于最大散度差的聚类算法MSD-CA.该算法以散度度量样本间的相似性,使样本的类内散度最小化和类间散度最大化同时进行.在此基础上,应用模糊理论对最大散度差准则进行模糊化,提出基于最大散度差的模糊聚类算法MS...     

模糊识别和随机森林算法在柴油机振动信号状态识别中的应用

针对模糊识别算法中,样本特征向量中各参量(分量)对状态分类的贡献权重难以确定的问题,提出了利用随机森林算法对特征参量的重要度评估结果作为特征权重的方法。通过对柴油机台架试验振动信号的跟踪分析,获得了柴油机在磨合期、100摩托小时、200摩托小时、300摩托小时及400摩托小时5种不同使用期(典型状态)的75个振动信号样本,然后计算出各类样本在幅域、时域和频域的特征参量,利用随机森林算法进行特征选择,确定4个重要特征参量及其权重,用统计方法得出其隶属度函数,最后根据评价向量对样本进行识别,识别准确率达到94%以上。     

基于支持向量机的故障诊断方法及其应用

提出了一种采用模糊手段进行特征提取、支持向量机进行模式分类的内燃机燃油系统故障诊断方法.该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广能力,首先采用模糊手段对故障信号和原因进行特征提取,接着利用支持向量机进行分类实现特征级诊断,最后将其应用于内燃机燃油系统的故障诊断中,取得了令人满意的结果.     

一种迷彩伪装效果评价指标权重分配算法

迷彩伪装效果评价的多指标权重分配多为平均分配或专家评判,难以客观、科学地评价伪装效果。提出了基于模糊聚类方法、结合信息熵和统计特征的多指标权重分配算法。该算法通过模糊聚类得到样本的分类结果,应用信息熵和统计理论计算各指标的权重分配。对以结构、纹理、颜色、二阶矩特征等为指标的迷彩伪装样本进行了权重分配实验,分析比较了专家评判法、熵权法和该算法确定的权重之间的差异,并通过实验验证了算法的有效性和科学性。     

基于FDBN的空中目标威胁评估方法

为了更好地处理各类探测数据中的模糊性和不确定性,通过模糊化方法将威胁评估动态贝叶斯网络局部进行模糊化处理,处理后的动态威胁值进行解模糊的方法转化为概率域的知识,这样不仅简化了网络结构,同时结合模糊理论的知识表达能力和DBN的强推理能力。最后将相应观测证据输入到简化后的DBN网络中,相应仿真研究表明,该方法能有效地对空中目标威胁度进行实时评估。     

带有可信度因子的直觉模糊近似推理方法

针对基于相似度的直觉模糊近似推理问题,提出一种基于加权相似度量的直觉模糊推理方法。首先定义一种新的直觉模糊相似度度量公式,加入权重参数解决各维特征分配不均匀的问题,弥补了现有直觉模糊相似度量的缺陷。然后构建基于直觉模糊产生式规则的直觉模糊近似推理模型,加入可信度因子解决了随机性引起的信息不确定问题,同时给出模型的推理算法和计算步骤。最后通过实例验证了该方法的实用性和有效性,其在意图识别、目标识别等信息融合领域有良好的应用前景。     

基于灰度共生三角阵的炮膛图像分析

为解决炮膛疵病图像粗分类时缺少聚类和分类特征的问题，引入了灰度共生三角阵（Grey Level Co-occurrence Triangular Matrix，GLCTM）的方法。通过对炮膛样本图像GLCTM特征参量的计算与分析，确定了GLCTM的参数；根据特征参量的相关性分析结果，选择了其中7个作为炮膛图像的特征参量。样本图像的实验结果表明，炮膛图像的GLCTM特征参量取值与图像灰度的直观特点之间存在对应关系。     

基于ReliefF特征加权的人工蜂群聚类算法

针对模糊聚类算法对最优聚类中心的搜索能力偏弱,以及没有度量样本数据各维特征属性对聚类结果贡献度的问题,提出了一种ReliefF特征加权的人工蜂群聚类算法。算法利用人工蜂群算法搜索最优聚类中心,使用ReliefF算法度量数据各维特征权重,分析了各维特征对聚类的不同影响,减弱冗余特征对聚类的干扰,增强有效特征对聚类的贡献,对加权变换后的数据样本进行聚类以提高聚类效果。在UCI数据集上的对比实验结果表明,此算法具有很好的综合性能。     

自组织特征映射在柴油机振动信号模式分类中的应用

通过分析柴油机在磨合期、不同摩托小时和拉缸等典型状态下的振动信号样本,计算出各类样本在幅域、时域和频域的特征参量,按照类别可分离性判据进行特征选择,寻找出能够代表发动机不同状态的有效特征参数,同时降低特征向量空间的维数,最后利用自组织特征映射神经网络(Self-Organizing Feature Map)进行发动机不同状态的分类.分析结果表明,SOFM能够对各类模式进行有效的分类,准确率达到92%以上.