基础性课题评审立项的模糊综合评价系统

分析了现行课题评审方法的不足，运用模糊综合评价方法建立了课题评审指标体系，把各个课题作定量描述，避免非重要因素所占权重过大的影响，帮助科研部门做出更完善的决策，在一定程度上为合理确定科研立项提供了科学依据。     

声发射辅以模糊神经网络的质量检测

利用铸铁工件在加载与卸载时所产生的声发射信号作为神经网络模式识别的输入特征，并对网络输入量与输出量进行模糊化隶属度计算，用最陡下降的BP学习法对连接权重系数进行优化，成功地实现了对铸铁工件样本组的训练和分类。     

爆炸波中的混合不确定度量化方法

将认知不确定作为外层,偶然不确定作为内层,利用混合不确定理论处理爆炸波中的不确定度问题.分别使用非嵌入多项式混沌方法（NIPC）和Dempster-Shafer理论处理偶然不确定和认知不确定,用迎风格式求解确定系统.结果表明：NIPC和Dempster-Shafer结构为模型输入参数和初边值不确定性对输出响应量的影响提供一种有效方法,对各种建模与模拟不确定性评估和确认建模与模拟具有很好的参考价值.     

多因变量LS-SVM回归算法及其在近红外光谱定量分析中的应用

以LS-SVM算法为基础,建立了权重可优化的多因变量LS-SVM回归模型,给出了相应的算法(MIS-SVM),并从理论上说明了它与IS-SVM的关系.以64个高粱样品为实验材料,其中建模集与预测集中样品的比例为51:13.从区间[0,1]之间均匀地随机选取5组权重,根据预测平均相对误差最小的准则,按照LOO方式确定了一组合适的权重及参数,建立了近红外光谱同时分析三个化学组分蛋白质、赖氨酸和淀粉的多因变量定量分析模型.结果得到三个组分模型的预测值与实际值的平均相对误差分别为1.65%,6.47%和1.37%,相关系数分别为0.994 0,0.839 2和0.882 5,而LS-SVM算法建模预测三个组分的平均相对误差分别为1.68%,6.25%和1.47%,相关系数分别为0.994 1,0.831 0和0.880 0.可见MIS-SVM算法与LS-SVM算法的建模分析效果相当,且都取得了较满意的结果,验证了MLS-SVM算法同时定量分析多组分含量的可行性.另外,文章也验证了不同权重对MLS-SVM算法的预测性能有一定影响,由此表明在实际多因变量建模分析中对权重进行优化是必要的.     

高功率激光器系统设计的综合评估

本着“精密装置”、“用户装置”、“经济装置”的激光驱动器总体设计原则，将高功率激光器的综合评估体系指标分为3大类10个指标，从而较完整的建立了高功率激光器的综合评估指标体系。并且重点分析了各指标的量化及权重分配方法。针对不同指标的原始评估值，定义了不同的无量纲规范化方法。确定权重系数的方法很多，采用较为客观科学的“已知部分权重信息下确定权重”的方法，即先给出目标权重的可能变化范围，通过优化每个方案的综合属性得到相对于每一方案的各指标目标权重，再进行各方案间的组合赋权得到最佳协调权向量。     

基于递阶模糊聚类的混沌时间序列预测

提出一种新的基于递阶模糊聚类系统的模糊建模方法.目的在于通过一系列的步骤优化T-S模糊模型结构，实现非线性系统的建模和预测.首先利用最近邻聚类法初始划分输入空间，得到规则数及初始聚类中心，用模糊C均值算法(FCM)进一步优化聚类中心；然后利用加权最小二乘法估计模糊模型的初始参数，进一步利用带遗忘因子的递推最小二乘法优化结论参数.采用该方法对Mackey-Glass混沌时间序列进行预测实验，结果表明可以对Mackey-Glass混沌时间序列进行准确建模和预测，证明了本方法的有效性. 关键词： 递阶模糊聚类 模糊建模 混沌时间序列 最小二乘     

考虑时间权重的可调谐滤波器温漂补偿方法

首先，充分考虑温漂序列数据前后之间的强相关性，在对光纤法布里-珀罗可调滤波器（FFP-TF）的温漂进行建模的过程中引入时间权重的概念，为每个样本赋予不同的时间属性。然后，采用支持向量机（SVM）作为弱学习器对温漂样本进行建模，使用AdaBoost框架对多个SVM模型进行集成学习。在集成预测过程中，不仅每个模型的预测性能会影响样本的权重分配，而且样本的时间属性也会影响样本权重的更新。实验结果表明：在2℃的窄范围缓慢变温环境中，传统AdaBoost-SVM算法的最大温漂补偿误差为10.83 pm，而基于时间权重的AdaBoost-SVM的最大温漂补偿误差降低到7.04 pm；在15℃的温度范围下，传统AdaBoost-SVM算法的最大误差达到11.57 pm，基于时间权重的AdaBoost-SVM的最大误差仅为4.05 pm。与传统硬件方法相比，所提出的方法不需要额外硬件，为可调谐滤波器的温漂补偿提供了一种新的思路。     

材料性能的模糊神经网络建模

本文利用模糊神经网络直接从实验数据中提取规则，进行材料性能建模与预测，作为应用示例，建立了基于成份和组织参数的灰铁预测模型，与多元统计分析，模糊回归和广义回归网络所得的结果相比，该方法所得的模型具有学习精度高，且具有更好的泛化能力。     

基于模糊模型的混沌时间序列预测

对于复杂、病态、非线性动态系统，基于模糊集合的模糊模型，利用模糊推理规则描述动态系统的特性，是一种有效方法.讨论了利用模糊建模方法实现非线性系统的建模和预测.首先，利用在线模糊竞争学习方法划分输入变量的模糊输入空间，然后利用卡尔曼滤波算法估计模糊模型的参数.采用该方法对Mackey Glass混沌时间序列进行预测试验，结果表明利用本方法可以在线或者离线能对Mackey Glass混沌时间序列进行准确预测，证明了本方法的有效性. 关键词： 模糊竞争学习 混沌时间序列 卡尔曼滤波     

基于综合权重多属性决策模型的装备测试性最优诊断方案获取

针对诊断方案多属性决策模型中的权重确定问题,采用专家评分法和改进AHP法计算主观权重,结合客观熵值权重确定方法,给出基于数学规划模型的主客观权重综合方法,避免主观判断和客观生成权重存在的不足;实例比较结果显示该方法能够在主观和客观权值之间寻找最佳的平衡权值,能够吸取两者优点,避免不足。     

基于观测器的模型不确定的耦合时空混沌H∞跟踪控制

考虑子系统的时空耦合作用及模型的不确定性 ,实现模型不确定的耦合时空混沌的跟踪控制非常困难 .然而耦合时空混沌的每个子系统用一系列模糊逻辑模型逼近 ,同时考虑子系统状态的不可测性 ,采用模糊观测器来估计子系统的状态 .由于混沌模型的很多参数和动态特性很难准确地确定即模型具有不确定性 ,因此在用模糊模型逼近的同时定会产生建模误差 .基于模糊模型及状态观测器 ,考虑混沌模型的不确定性 ,提出一种H∞ 模糊跟踪控制方法 ,实现模型不确定性的耦合时空混沌的鲁棒跟踪控制 .将控制方案表征为求解线性矩阵不等式问题 ,并用凸优化方法求解控制器参数 ,确保系统的全局渐近稳定性 .仿真验证了所提方案的有效性 .     

一种新的模糊多属性群决策方法

现有模糊多属性群决策方法大都没有考虑决策者的权重，更没有考虑决策者评价的一致性程度对群体评价结果的影响。提出的模糊多属性群决策方法将同时考虑这两方面的因素，以使决策方法及决策结果更符合客观实际。     

爆炸波问题中偶然不确定度的量化

复杂工程建模与模拟中始终存在不确定度,分析与辨识不确定度的来源及量化不确定度对建模与模拟可信度评估具有重要意义。为此,给出了建模与模拟中误差与不确定度的概念以及不确定度量化的过程,并以爆炸波问题为例说明量化偶然不确定度的过程,得到了爆炸波问题的期望和标准差以及激波位置的概率密度函数,验证了非嵌入多项式混沌方法在复杂非线性系统不确定度量化中的有效性。     

基于鲁棒模糊聚类的混沌时间序列预测

采用一种基于鲁棒模糊聚类算法的模糊辨识方法,通过引入局部划分关联度因子,增强了系统辨识的抗干扰能力,提高了系统辨识的鲁棒性.首先用最近邻模糊聚类法划分初始输入空间,得到模糊规则数及初始聚类中心;然后用鲁棒模糊聚类算法求解并优化模糊隶属度和聚类中心,建立高精度的T-S模糊模型;最后利用最小二乘法辨识模型的初始结论参数,进一步利用带遗忘因子的递推最小二乘法优化结论参数.采用该方法对Mackey-Glass混沌时间序列进行建模和预测,仿真结果表明利用本方法可以进行准确建模和预测,验证了本方法的鲁棒性、有效性和实 关键词： 最近邻模糊聚类 鲁棒模糊聚类 混沌时间序列 最小二乘法     

基于观测器的模型不确定的耦合时空混沌H∞跟踪控制

考虑子系统的时空耦合作用及模型的不确定性,实现模型不确定的耦合时空混沌的 跟踪控制非常困难.然而耦合时空混沌的每个子系统用一系列模糊逻辑模型逼近,同时考虑子 系统状态的不可测性,采用模糊观测器来估计子系统的状态.由于混沌模型的很多参数和动态 特性很难准确地确定即模型具有不确定性,因此在用模糊模型逼近的同时定会产生建模误差. 基于模糊模型及状态观测器,考虑混沌模型的不确定性,提出一种Ｈ∞ 模糊跟踪控制方法,实现模型不确定性的耦合时空混沌的鲁棒跟踪控制.将控制方 案表征为求解线性矩阵不等式问题,并用凸优化方法 关键词： 耦合时空混沌 模糊模型 模糊观测器 Ｈ∞模糊跟踪控 制 线性矩阵不等式     

基于神经网络的拉曼光谱波长选择方法

血液鉴别对于检验检疫、刑侦以及动物保护领域具有非常重要的意义,传统的的血液鉴别方法在鉴别的过程中存在分析周期长、对血液样本造成损害等缺点。而拉曼光谱可以通过分析与入射光频率不同的散射光谱得到分子振动、转动方面的信息,进而得到物质的组成成分,并且具有零污染非接触的特点,为血液的无损鉴别提供了可能,但是在拉曼光谱中,各个波长点之间存在严重的多重共线性,直接使用全光谱进行建模会增加模型的复杂性和降低模型的稳定性。针对拉曼光谱的特点,提出了一种基于神经网络的波长选择方法。该方法利用神经网络学习到各个波长点对校正模型的贡献权重,并将权重的均值作为阈值,去除权重低于阈值的波长点,以达到波长选择的目的。为了更容易确定筛选的阈值,在权重学习的过程中加入了稀疏约束,极大的减少了用于筛选的波长点。利用动物与人血清的拉曼光谱数据集对所提方法进行了验证,实验结果表明,利用该方法得到的光谱建立的校正模型,相比于全光谱数据在分类准确率和AUC值都有一定的提升,人工神经网络(NN)的准确率达到了94.495%, AUC值达到了0.9850,偏最小二乘(PLS-DA)的准确率达到了92.661%, AUC值达到了0.9760。与传统的波长选择方法UVE相比,该方法选择的波长点更少,仅选择了42个波长点用于建模,而且得到的校正模型的分类准确率和AUC值更高,证明该波长选择方法能有效的筛选出对建模有贡献的波长点,提高了模型的分类准确率和稳定性,为血液的无损鉴别提供了可能,具有一定的实用价值。     

基于模糊树模型的混沌时间序列预测

应用模糊树模型,对混沌时间序列进行建模和预测.该方法可以根据建模数据在空间中的分布信息,基于二叉树结构自适应划分输入空间,得到模糊子空间,在与叶节点对应的子空间上建立线性函数作为模糊规则的后件,用隶属度函数将各分片线性函数光滑连接,最后得到一个精度比较高的非线性映射.通过对Mackey-Glass、Lorenz和Henon混沌时间序列的建模和预测研究,仿真结果表明,该方法具有建模精度高、运行速度快、泛化能力强、预测步数多、适用范围广等优点. 关键词： 模糊树模型 混沌时间序列 预测     

虚拟样机中电缆的建模与仿真

电缆的建模与仿真在产品开发中具有重要的应用价值，也是目前虚拟样机技术急需解决的难题。针对电缆属于柔性件的特点，提出了一种基于几何建模和物理建模的综合建模与仿真方法，其基本思路是：几何建模一长度估算一物理建模一行为仿真，如图l所示。几何建模以电缆连接列表为依据、以产品结构模型为空间约束、按照电缆布线规范，利用人机交互方式进行电缆卡箍位置规划和电缆路径规划，进而建立电缆几何模型。长度估算利用空间积分方法对几何模型进行积分得到电缆长度。物理建模将电缆几何模型离散成多个质点单元，各质点单元间通过弹簧连接，弹簧刚度和质点质量根据电缆材料和长度确定，在此基础上建立“质点一弹簧系统”的力学控制方程。行为仿真根据“质点一弹簧系统”的力学控制方程模拟电缆真实形状及插接过程。     

基于主元证据理论在车辆识别中的应用

车辆识别技术作为智能交通管理系统中的研究热点和难点;在车辆识别技术中,应用Dempster- Shafer证据组合规则融合冲突信息时会产生不合理的结果;基于修正证据源的思想,提出了一种新的权重系数确定方法,该方法从证据主元角度分析,确定各组证据主元,利用该主元求出证据相容度、可信度,进而确定证据权重系数;通过新的证据冲突衡量方法,确定冲突值,归一化权重,修正证据源,按ER规则融合各组证据对目标进行识别;仿真部分以实际路面车辆车型识别为算例,将该方法与其他方法对比,结果表明:该方法能更有效地融合高度冲突的证据,减小计算复杂度,目标识别的准确性提高20%。     

基于云重心评估法和熵值法的装备技术状态评估

装备技术状态评估是状态维修的关键环节,对维修决策有重要的支持作用。针对装备的监测信息和历史数据的模糊性和随机性,提出了基于云重心评估法的装备技术状态评估模型。同时,充分利用云理论特征值之一的熵,通过熵值法得到指标权重,避免了主观评价造成的误差。采用加权偏离度最终确定技术状态,构成定性属性值与定量属性值的映射关系。通过实例,验证了该方法的可行性和有效性。