摘要：邻域多粒度粗糙集模型是粗糙集理论的重要研究分支。然而在大数据环境下,数据时刻处于动态更新之中,针对数值型信息系统对象动态变化的情形,本文提出一种邻域多粒度粗糙集模型的增量式更新算法。文中首先利用矩阵的方法表示了邻域多粒度粗糙集中邻域类与目标近似集之间的两种近似关系,分别称之为子集近似关系矩阵和交集近似关系矩阵,并通过这两种近似关系矩阵重构了邻域多粒度粗糙集模型;然后针对数值型信息系统对象增加和对象减少的情形,研究了这两种近似关系矩阵随对象变化时的增量式更新,理论分析证明了这种更新方法的高效性;最后基于近似关系矩阵的增量式更新设计出了邻域多粒度粗糙集模型的增量式更新算法。实验结果验证了所提出增量式算法的有效性和优越性。

摘要：在序列模式的分层算法框架下 ,从理论上分析并讨论了数据集的渐进性和算法参数的相似性为增量式挖掘带来的启发信息 ,提出了增量式挖掘算法设计的 4项原则 。

摘要：面对大数据流,当不断有新的数据加入时,如果使用传统的Kriging进行建模,需要针对全体数据进行重新建模,严重降低了数据处理效率。解决这一困境的一个有效思路是:针对新加入的样本并不重新建模,而是在原有模型的基础上进行迭代处理,即在原有模型的基础上把新增的样本加入进来,并不是针对所有样本重新建模。基于此,提出了一种新的增量式Kriging模型,通过分块矩阵和矩阵递归构建的方式处理“相关矩阵”的求逆问题,极大地提高了建模效率。对新增量式模型与一次性建模进行比较,实验结果表明,新增量式Kriging模型在建模效率方面远高于传统的一次性建模方法,大大提升了数据处理速度。

摘要：为解决多数据源挖掘隐私保护问题,文章采取按相似度分类多源数据库及其增量数据库,利用原始数据库挖掘结果和增量数据库分析结果进行敏感序列模式匹配,以有效减少数据库扫描次数的方法,设计实现隐私保护的增量式的高投票率序列模式挖掘算法。实验结果表明,给出的算法既能够准确挖掘出多数据源中全局高投票率模式,又能有效地隐藏保护敏感模式,且显著缩短了挖掘时间。

摘要：针对Robocup等比赛中机器人的定位中的视觉特征选取问题,线特征以其抗噪性好,蕴含丰富环境信息的优势获得了人们的青睐。该文针对仿人足球机器人球场比赛定位中的边线特征提取,将整体方案分解为颜色空间映射、可能片段查找、增量式算法拟合三个部分。通过预先学习标定生成的颜色查找表,将原始图像映射成多值图像;之后针对不同颜色对应的不同状态,使用有限状态机方法识别可能属于边线特征的有效片段;使用增量式算法提取出图像中的直线特征,最后增加参数调节来进一步优化特征提取结果,提高直线特征的精度。这一方法不仅可以提取直线特征,同时对于不规则的曲线特征检测,也能够使用近似的线段集合进行拟合。相比于传统方法如Hough变换等,该算法具有算法简单,提取速度快,特征精度高的优点。实验表明,算法的全局定位精度在10cm以内,特征提取时间不大于5ms,符合足球机器人实际比赛需求。

摘要：新对象添加到决策表后,已有的属性约简将会发生改变,需要对其动态更新。为此,首先给出简化决策表和简化差别矩阵的定义,并证明了基于简化差别矩阵的属性约简与正区域的属性约简是等价的;然后,分析增量对象的不同情况,将增量属性约简映射到简化决策表上来实现,由此设计基于简化差别矩阵的增量式属性约简算法,并对算法进行改进;最后,利用实例和实验验证了所提出算法的正确性和高效性。

摘要：文中介绍了将分布式算法用于数字PID的硬件实现过程,建立数字PID控制器的仿真系统模型,并在MATLAB下仿真验证了其设计的正确性。该数字PID控制器充分利用了FPGA芯片内的查找表来实现乘法器,与串行、并行和混合方法相比,减少了由大量乘法运算所消耗的时间,极大地提高了系统运行的速度。