基于学习排序的多分类标签排序方法研究

学习排序是利用机器学习技术来对搜索结果进行排序的技术。它在包括信息检索与数据挖掘等技术在内的众多应用领域中具有重大作用,因此近年来备受关注。学习排序通常假设每个培训实例都与一个可靠的标签相关联产生列表,但并不假定此列表是完整的或一致的。通过结合广义线性模型和Plackett-Luce(P-L)模型,提出一种基于实例的解决多分类标签的排序方法。目标是训练学习一种排序功能,排序功能通过训练提出一种最大似然估计方法。该方法估计标签排序,并迭代地训练排序功能,该功能可以在整套标签上产生全部排序。先利用广义线性模型对标签进行分类,再用P-L模型对各类别的标签进行排序,最后利用最大似然估计的方法对框架模型进行优化处理。该方法在不完整的训练数据的情况下,较其他模型方法在准确性上提升5%。     

构建一种多agent并行计算模型

文中旨在找出一种新的构建多agent并行计算模型的方法。通过对组合数学中二分图理论的研究，发现可以利用这个数学思想建立一种新的多agent并行计算模型。文中在对多agent计算本质分析的基础上，基于二分图理论，建立了一种新多agent并行模型，给出了基于BDI模型的多agent并行计算模型的流程算法，最后还给出了这种模型的优越性是能最大可能地减少agent之间的冲突。通过上述工作，可为多agent并行求解问题研究提供理论依据。一方面弥补了现有理论的不足，另一方面也为人们进一步研究多agent的并行计算提供了一种解决方案。     

构建一种多agent并行计算模型

文中旨在找出一种新的构建多agent并行计算模型的方法。通过对组合数学中二分图理论的研究,发现可以利用这个数学思想建立一种新的多agent并行计算模型。文中在对多agent计算本质分析的基础上,基于二分图理论,建立了一种新多agent并行模型,给出了基于BDI模型的多agent并行计算模型的流程算法,最后还给出了这种模型的优越性是能最大可能地减少agent之间的冲突。通过上述工作,可为多agent并行求解问题研究提供理论依据。一方面弥补了现有理论的不足,另一方面也为人们进一步研究多agent的并行计算提供了一种解决方案。     

基于多标记重要性排序的分类器链算法*

多标记分类器链中标记的预测顺序具有随机性,导致学习性能下降,容易造成错误信息的传递.考虑到标记的顺序性,文中提出基于多标记重要性排序的分类器链算法.该算法将标记间相互作用程度的大小作为衡量标记重要程度的依据,在标记相关性的基础上,按照重要性进行标记排序,并将排序结果作为分类器链算法中分类器的顺序,从而解决多标记预测顺序的问题.实验表明,相比现有方法,文中算法在多个数据集上能更稳定有效地分类多标记.     

一种基于用户标记的搜索结果排序算法

随着计算机网络的快速发展,网络上的信息量也日益纷繁复杂.如何准确、快速地帮助人们从海量网络数据中获取所需信息,这是目前搜索引擎首要解决的问题,为此,各种搜索排序算法应运而生.但是目前,网页信息的表达形式都十分简单,用户描述查询的形式更是十分简单,这就造成了在判断网页内容与用户查询相关性时十分困难.首先对现有的搜索引擎排序算法进行了分类总结,分析它们的优缺点.然后提出了一种基于用户反馈的语义标记的新方法,最后采用多种评估方法与Google搜索结果进行对比分析.实验结果表明,利用该方法所得到的排序结果比Google的排序结果更接近用户需求.     

基于改进的排序式选举算法的语音情感融合识别

根据情感的连续空间模型,提出一种改进的排序式选举算法,实现多个情感分类器的融合,取得了很好的情感识别效果。首先以隐马尔可夫模型（HMM）和人工神经网络（ANN）为基础,设计了三种分类器;然后用改进的排序式选举算法,实现对三种分类器的融合。分别利用普通话情感语音库和德语情感语音库进行实验,结果表明,与几种传统融合算法相比,改进的排序式选举法能够取得更好的融合效果,其识别性能明显优于单分类器。该算法不仅简单,而且可移植性好,可用于其他任意多个情感分类器的融合。     

多台机器下的最小期望延误的随机排序问题

论文针对多台机器下,任务的预期时间为随机变量的排序问题,首先用LPT排序方法把任务安排到不同的机器上,然后用简单的随机方法来确定任务在机器上的特殊加工次序。由于随机预期时间是相互独立的并且服从指数分布,考虑将参数进行最大延误。     

基于耦合HMM的多传感异步信息融合分类策略 *

针对多传感异步信息融合分类问题,提出了一种新颖的基于耦合隐马尔可夫模型（CHMM）结构的中期 融合分类策略,该策略既考虑到了多传感信息在时间上的相关性,又解决了信息流之间的异步问题;其次,通过 限制信息流的状态数量和限制信息流之间的异步程度,简化了模型结构;此外,为解决CHMM的算法实现问题, 提出了一种CHMM与双流HMM的等效变换方法,从而利用经典的HMM算法解决了CHMM的模型实现。最后 在唇读语音双模态数据库上的实验证明,该异步信息融合策略实现了比早期同步融合更理想的识别结果,证明 了该     

基于改进的隐马尔可夫模型在网页信息抽取中的研究与应用

信息抽取是从大量的数据中准确、快速地获取目标信息,提高信息的利用率。考虑网页数据的特点,提出一种适用于网页信息抽取改进的隐马尔科夫模型(HMM),即结合最大熵模型(ME)在特征知识表示方面的优势,在HMM模型中加入后向依赖,利用发射单元特征来调整模型参数。改进后的HMM状态转移概率和观察输出概率不仅依赖于模型的当前状态值,而且可以以模型的前向状态值和后向特征值加以修正。实验结果表明,使用改进后的HMM模型应用到网页信息抽取中,可以有效地提高网页信息抽取的质量。     

近程作用分子动力学模拟的两级并行

分子动力学作为一种重要的计算手段在许多领域有着广泛的应用，由于它的计算量比较庞大，因此并行计算方法被越来越多地引入到分子动力学的模拟中。本文在目前常见的SMP集群系统上，根据系统的结构特点，针对分子动力学的三种并行算法：区域分解法、原子分解法和力分解法，利用MPI Pthread的混合编程模型，采用节点间消息传递模式以及节点内部共享存储的编程模式，实现了近程作用分子动力学的两级并行计算。计算结果表明，不同的算法采用了两级并行的方式和原来只有消息传递的并行方式相比，具有不同的计算效率，但是从总体来说采用两级并行的计算方式可以利用更多的计算资源，从而有助于提高计算能力。