区别于常规复杂系统，非周期复杂系统具有长期静稳而短暂失稳、从稳态向失稳的状态切换难以预测、往往不可逆的特征，例如，部分航空航天和武器装备系统、边坡系统、复杂工程系统等。对这类非周期复杂系统进行建模并开展主动控制具有重要理论和实际应用价值。本书分为三个部分。第一部分介绍非周期复杂系统及反因果数据的定义与辨识方法；第二部分将反因果数据与数据增强、反馈特征提取、多模型融合等技术结合，并将其用于非周期复杂系统建模；第三部分介绍在军事系统可追溯体系效能提升，以及在复杂工程系统主动安全控制和主动风险消解中的应用。
样章试读
目录
- 目录
前言
第一部分 基本概念
第1章 常规复杂系统与非周期复杂系统 3
1.1 常规复杂系统 3
1.2 非周期复杂系统特征 4
1.3 非周期复杂系统典型示例 5
1.3.1 航空航天及武器装备系统等长贮系统 6
1.3.2 边坡系统 7
1.3.3 复杂工程系统——地铁隧道施工安全 9
1.4 常规复杂系统与非周期复杂系统对比分析 10
参考文献 10
第2章 反因果数据定义 12
2.1 传统数据类型定义 12
2.2 传统数据类型辨识与处理 13
2.2.1 离群点辨识与处理 13
2.2.2 噪声数据辨识与处理 15
2.3 基于因果关系的反因果数据 17
2.4 示例 18
2.5 本章小结 19
参考文献 19
第3章 反因果数据辨识 21
3.1 方法 21
3.1.1 框架 21
3.1.2 基于改进Bagging的子数据集生成与子模型构建 21
3.1.3 基于改进Bagging的反因果数据辨识 23
3.1.4 面向不同类型数据的权重更新 24
3.1.5 面向测试集的验证 25
3.2 与集成学习中Bagging和分类方法中交叉验证的比较 26
3.3 示例 27
3.3.1 示例背景及数据结构 27
3.3.2 基于改进Bagging的数据类型辨识 28
3.3.3 数据类型辨识结果分析 29
3.4 本章小结 33
参考文献 34
第二部分 非周期复杂系统建模
第4章 基于反因果数据辨识与数据增强的建模方法 37
4.1 方法 37
4.1.1 框架 37
4.1.2 数据增强 39
4.1.3 基于改进Bagging反因果数据辨识方法的数据类型识别 39
4.1.4 模型构建与更新 40
4.1.5 测试数据集验证 41
4.1.6 基于测试数据类型识别的反馈 41
4.2 示例 42
4.2.1 背景 42
4.2.2 数据增强和数据类型辨识 43
4.2.3 模型构建和结果分析 45
4.2.4 方法比较 46
4.2.5 泛化能力验证 52
4.3 本章小结 54
参考文献 54
第5章 基于反因果数据辨识与反馈特征提取的最优决策结构生成方法 55
5.1 问题需求分析 55
5.2 方法 57
5.2.1 框架 57
5.2.2 基于因果反演的数据辨识方法框架 57
5.2.3 基于闭环反馈的特征提取方法框架 58
5.2.4 基于机器学习的模型构建及验证 60
5.3 示例 60
5.3.1 示例背景及数据结构 60
5.3.2 闭环反馈特征提取结果 61
5.3.3 因果反演数据辨识结果 62
5.3.4 综合结果及对比分析 63
5.3.5 与其他特征选择和数据辨识方法的对比分析 65
5.3.6 模型独立性验证 66
5.4 本章小结 68
参考文献 69
第6章 基于反因果数据辨识与多模型融合的建模方法 70
6.1 问题需求分析 70
6.2 方法 71
6.2.1 框架 71
6.2.2 基于模型精度和数据相似度的多模型输出权重分配 71
6.2.3 多模型输出融合及验证 73
6.3 示例 73
6.3.1 示例背景及数据结构 73
6.3.2 多模型构建 74
6.3.3 计算多模型输出分配权重 74
6.3.4 多模型输出融合及验证 75
6.4 讨论 78
6.4.1 与线性权重的多模型融合方法对比验证 78
6.4.2 与不考虑模型精度的多模型融合方法对比验证 79
6.4.3 与不同核心数据百分比的对比验证 80
6.4.4 与其他基线模型的对比验证 81
6.4.5 总结 82
6.5 本章小结 85
参考文献 85
第7章 基于双级反因果数据辨识的建模方法 86
7.1 问题需求分析 86
7.2 方法 87
7.2.1 框架 87
7.2.2 单级数据可信性辨识 87
7.2.3 双级数据可信性确认 88
7.2.4 验证 88
7.3 示例 89
7.3.1 示例背景 89
7.3.2 单级数据可信性辨识 89
7.3.3 双级数据可信性确认 91
7.3.4 验证 92
7.4 讨论 94
7.4.1 数据可信性辨识的综合结果 94
7.4.2 在测试集上的综合验证结果 96
7.5 本章小结 98
参考文献 98
第8章 自监督下基于反因果数据辨识的赋标签方法 100
8.1 问题需求分析 100
8.2 方法 101
8.2.1 最小先验知识 101
8.2.2 框架 101
8.2.3 生成初始标签 102
8.2.4 子数据集生成和子模型构建 102
8.2.5 数据标签度计算 103
8.2.6 更新标签 105
8.2.7 验证 105
8.3 与有监督、无监督、自监督方法对比 106
8.4 示例分析 107
8.4.1 验证数据选择 107
8.4.2 不平衡数据集实验过程 107
8.4.3 平衡数据集实验过程 111
8.4.4 自监督学习对比实验 112
8.5 本章小结 113
参考文献 113
第三部分 非周期复杂系统主动控制
第9章 基于可解释效能评估的可追溯体系效能提升 117
9.1 问题需求分析 117
9.1.1 效能评估指标 117
9.1.2 效能评估可解释性需求分析 119
9.1.3 效能提升可追溯性需求分析 119
9.2 可解释效能评估 120
9.2.1 置信规则库及其可解释性和可追溯性 120
9.2.2 基于置信规则库的可解释效能评估建模 121
9.2.3 可解释效能评估过程 122
9.2.4 基于可解释效能评估模型的贡献度计算 123
9.2.5 示例 126
9.3 可追溯效能提升 129
9.3.1 基于贡献度计算结果的关键能力识别 129
9.3.2 可追溯效能提升模型建模 131
9.3.3 可追溯效能提升模型求解 132
9.3.4 示例 135
9.4 本章小结 139
参考文献 140
第10章 面向关键风险因素的复杂工程主动安全控制 141
10.1 需求分析 141
10.2 方法 142
10.2.1 框架 142
10.2.2 面向多安全指标的轨道工程施工过程安全控制 144
10.3 示例 150
10.3.1 背景 150
10.3.2 面向轨道施工过程的安全控制 151
10.3.3 不同筛选准则下测试数据的结果分析 157
10.3.4 不同贡献度参数下测试数据的结果分析 159
10.4 本章小结 161
参考文献 162
第11章 基于融合贡献度的复杂工程主动风险消解 163
11.1 方法 163
11.1.1 核心概念 163
11.1.2 框架 164
11.1.3 贡献度计算 164
11.1.4 面向训练集的自适应主动风险消解 164
11.1.5 面向测试集的自适应主动风险消解 166
11.2 示例 167
11.2.1 背景 167
11.2.2 采用直接方法的贡献度计算结果 167
11.2.3 面向训练集的自适应主动风险消解结果 168
11.2.4 面向测试集的自适应主动风险消解结果 170
11.2.5 结果对比 172
11.2.6 讨论 174
11.3 本章小结 175
参考文献 175
彩图
京公网安备 11010102004214号