摘要：本文基于反复加深和动态修改启发式估价函数这一机制，提出了模糊启发式搜索算法ＦＩＤＡ和Ｉｍｐｒｏｖｅｄ－ＦＩＤＡ．针对模糊启发式估价函数通常难以设计这一问题，提出了可用于模糊启发式估价函数学习的学习算法ＬＦＩＤＡ．

摘要：本文首先提出当知识库中含有多条取自于同论域上的模糊推理规则时，应用通常的六条合成推理规则所推得的结论将随着模糊推理规则数的增多而越来越偏离真实度这一问题。本文针对该问题对通常的六条合成推理规则及其三角模下的六条推广合成推理规则进行了理论比较研究，并对合成运算进行了比较研究。研究表明：合成推理规则（或Ｒ￣４）以合成运算ｍａｘ－Ｔ０是克服上述问题的最佳选择。这一重要结果对于模糊知识库的设计具有指导意义。

摘要：以K-means和模糊C均值为代表的划分式聚类算法无法有效处理按照风格为标准划分样本的聚类任务.针对此问题,文中提出按风格划分数据的模糊聚类算法.利用风格标准化矩阵表示包含在类簇中样本的风格信息,同时使用逼近标准风格之后的样本计算距离矩阵,并以隶属度表示样本点对于类簇的可代表程度.通过常用的交替优化策略同时优化隶属度矩阵和风格标准化矩阵.文中算法可以有效利用样本的风格信息和样本点与类簇之间的关系信息,在人工数据集和真实数据集上的实验表明算法的有效性.

摘要：Epanechnikov混合模型和Mamdani-Larsen模糊系统之间的对应关系被建立:任何一个Epanechnikov混合模型都唯一对应着一个Mamdani-Larsen模糊系统,在一定条件下,Epanechnikov混合模型的条件均值和Mamdani-Larsen模糊模型的输出是等价的。一个设计模糊系统的新方法被提出,即利用expectation maximization算法设计模糊系统。将设计的模糊系统应用于时间序列预测,仿真结果表明:利用EM算法设计的模糊系统比其他模糊系统精度更高,抗噪性更强。

摘要：支持向量域描述(SVDD)算法适用于异常点检测,但对于不同领域样本组的整体快速识别则力不从心.为此,基于SVDD算法提出一种基于最小包含球的领域自适应算法(MEB-DA),并将其发展为基于中心约束型最小包含球的领域自适应法(CCMEB-DA),以满足大样本数据的快速计算.该算法通过计算各自数据组的包含球球心对不同领域数据进行整体校正和相似度识别,具有较好的便捷性和自适应性.将所提出的算法应用于无限保真(WIFI)数据的室内定位和人脸识别检测,均取得了较好的效果,从而验证了所提出算法的有效性和快速性.

摘要：针对具有凸多面体参数不确定性的污水处理控制系统,研究其鲁棒H∞保成本控制器的设计问题。首先,给出变参数活性污泥系统的状态空间模型;然后,结合二次型性能指标和H∞性能指标,导出系统鲁棒H∞保成本控制器存在的充分条件以及相应的控制器设计方法,并通过线性矩阵不等式,给出该控制器增益的可行解。以某污水厂污水性质和处理能力为例,应用所设计的鲁棒H∞保成本控制器进行仿真研究。仿真结果表明:采用该方法使系统最终的稳态误差较小,证明该方法是可行和有效的。

摘要：基于Epanechnikov混合模型提出了一种新的模糊模型——具有多维隶属度函数的规则中心化模糊模型.它容易设计:任何一个Epanechnikov混合模型都唯一对应着一个规则中心化的模糊模型,Epanechnikov混合模型的条件期望输出是规则中心化的模糊模型的去模糊化输出;它具有高度的可解释性:其规则后件恰好是其输出在规则中心的一阶Taylor级数展开;它采用了多维隶属度函数,考虑了输入数据各个分量之间的相关性,更符合实际问题.对两个典型实例的仿真实验表明,由Epanechnikov混合模型设计的规则中心化的模糊模型比其他模糊模型速度快、精度高、鲁棒性好.

摘要：为了克服单一使用中值滤波方法去除脉冲噪声会造成图像细节信息丢失的缺陷,提出一种基于弹簧质点模型检测的迭代中值滤波算法.首先将被检测点作为中心点,其周围8个方向的像素点对该中心点的拉力组成一个平面内的弹簧质点模型,根据弹簧质点模型的稳定条件,即平面汇交力系的平衡原理来检测像素点是否为噪声点;然后通过迭代方法,只用信号点来修改噪声点的像素值.实验结果表明,与传统的滤波算法相比,文中算法可以更有效地去除图像中的脉冲噪声并且保留原图像的细节.

摘要：文中提出了多阶段模糊决策问题的自底向上的模糊启发式搜索算法ＦＤＡ＊，并证明了只要启发式估价函数ｈ可采纳，则ＦＤＡ＊算法亦可采纳，且定能找到具有最小耗散的最佳决策序列．对于可采纳启发式估价函数ｈ通常难以设计这一问题，文中提出了启发式估价函数的渐进式学习算法Ｌｅａｒｎｉｎｇ－ｈ．证明了通过ＦＤＡ＊算法的大量解题。

摘要：当前的多核学习方法结合了不同核函数在对数据的物理特性表示上的能力,但在风格化数据集中不能充分利用样本中所隐含的风格信息。由此,提出应用于风格化数据的基于多核学习的风格正则化最小二乘支持向量机(MK-SRLSSVM)。算法利用风格转换矩阵表示包含在样本中的风格信息,并在目标函数中对其进行正则化处理,通过常用的交替优化方法对目标函数进行优化,在迭代过程中同步更新风格转换矩阵和分类器参数。为在预测过程中利用已学习的风格信息,在传统预测方法中增加了两种新的规则,在分类之前预先使用风格转换矩阵对样本风格进行标准化处理。所提出的分类器不仅利用了现有多核学习算法在表示样本的物理特征方面的优势,同时有效挖掘了数据集内包含的风格信息以提高分类性能,在风格化数据集中的实验结果证明了算法的有效性。