基于交叉覆盖算法的改进算法——核平移覆盖算法

文中对前向神经网络交叉覆盖算法进行了分析,并在此基础上引入统计学习理论中的核函数,提出了两者结合的方法———核平移覆盖算法(简称KMCA)。KMCA通过Mercer核,将输入空间的样本映射到高维特征空间,然后先覆盖、后平移,以使覆盖领域局部最优,实现在核空间中分类识别。实验的结果证明了KMCA的可行性和有效性。     

一种基于构造性核覆盖的聚类算法

基于构造性核覆盖学习方法的思想,提出了一种构造性核覆盖聚类算法.首先将原空间的待分类样本映射到一个高维的特征空间中,使得样本变得线性可分,然后在核空间采用构造性覆盖方法进行覆盖领域的构造,这组领域能将相似度小的样本分割开来,将相似度大的样本聚合在一起,通过定义一定的相似度度量标准和目标函数,达到聚类的效果.仿真实验也验证了该方法的有效性和可行性.     

基于核覆盖算法的煤价预测

核覆盖算法是在一般覆盖算法的基础上引入了核函数而提出的。新的算法不仅克服了传统的预测方法中存在的局限性,而且融合了SVM中的核函数法与构造性学习的覆盖算法中的优点,具有计算量小、精度高等优点。将核覆盖算法用于煤炭价格的预测中,取得了比其他方法更好的结果,也充分体现了核覆盖算法的有效性。     

基于核覆盖算法的煤价预测

核覆盖算法是在一般覆盖算法的基础上引入了核函数而提出的。新的算法不仅克服了传统的预测方法中存在的局限性，而且融合了SVM中的核函数法与构造性学习的覆盖算法中的优点，具有计算量小、精度高等优点。将核覆盖算法用于煤炭价格的预测中，取得了比其他方法更好的结果，也充分体现了核覆盖算法的有效性。     

多李群覆盖学习优化算法

目前,已针对李群多连通空间上的道路交叉问题提出了多李群核覆盖学习算法,降低了道路交叉情况,使得分类正确率有了显著提高。但是,核学习算法的性能依赖于核函数的选择。考虑利用李群同态映射将原始李群样本映射到目标李群空间中,使在目标李群空间中不同单连通空间上的道路的关联度最小化,同一单连通空间上的道路的关联度最大化,从而减少道路交叉问题。     

基于覆盖算法的煤炭供应商评测模型

阐述了当前进行煤炭供应商评测的方法以及这些方法的弊端。针对这种弊端,根据煤炭供应商评测的特点,利用前向神经网络的交叉覆盖算法及其改进算法对煤炭供应商供货质量进行了评测,在实验中将其与统计理论中加权平均的方法进行比较,证明取得了不错的效果,同时证明了核覆盖算法对交叉覆盖算法的改进。     

机器学习中的核覆盖算法

基于统计学习理论的支持向量机（SVM）方法在样本空间或特征空间构造最优分类超平面解决了分类器的构造问题,但其本质是二分类的,且核函数中的参数难以确定,计算复杂性高．构造性学习算法根据训练样本构造性地设计分类网络,运行效率高,便于处理多分类问题,但存在所得的分界面零乱、测试计算量大的缺点．该文将SVM中的核函数法与构造性学习的覆盖算法相融合,给出一种新的核覆盖算法．新算法克服了以上两种模型的缺点,具有运算速度快、精度高、鲁棒性强的优点．其次．文中给出风险误差上界与覆盖个数的关系．最后给出实验模     

多李群核覆盖学习算法在图像分类上的应用

李群具有代数结构也具有流形几何结构。将数据映射到多李群空间,并根据李群样本点在李群流形上的轨道关系,对那些同伦的轨道加以覆盖,从而使得覆盖域呈现出类别信息。利用核函数的思想,进一步使得类别不同的覆盖域更具有可分性,同时覆盖边界更具有光滑性,因此提出了多李群核覆盖学习算法。在MNIST手写体数字图像上进行了多组实验验证,并对实验结果进行了分析,结果表明与多连通李群覆盖学习算法相比,多李群核覆盖学习算法具有较好的分类效果。     

基于覆盖算法的煤炭供应商评测模型

阐述了当前进行煤炭供应商评测的方法以及这些方法的弊端。针对这种弊端，根据煤炭供应商评测的特点，利用前向神经网络的交叉覆盖算法及其改进算法对煤炭供应商供货质量进行了评测，在实验中将其与统计理论中加权平均的方法进行比较，证明取得了不错的效果，同时证明了核覆盖算法对交叉覆盖算法的改进。     

模糊核覆盖分类器及其应用*

核覆盖算法是一种性能优秀的分类算法,但在拒识点处理方面存在不足。对核覆盖算法的构造过程进行了分析,修改了算法中覆盖半径的选取原则,对拒识样本引入隶属度函数,将算法推广为模糊核覆盖算法。讨论了孤立覆盖对分类器的影响,对覆盖数进行精简,降低计算量。通过实验验证改进算法的性能,并与其他模糊分类方法进行对比。将模糊核覆盖算法应用于垃圾邮件过滤,实验结果表明过滤器的性能得到了有效提高。     

一种改进的领域覆盖算法

为解决领域覆盖算法中覆盖中心的选取问题,引入遗传算法中的适应度函数,提出一种改进的覆盖算法.以覆盖样本数最多为目标设计适应度函数,通过计算每个样本的适应度值来搜索最优覆盖中心,采用神经网络和灵敏度相结合的方法计算输入因素对输出因素的决策权重.实验证明,该算法能保证覆盖的稳定性,且覆盖中心的个数较少.     

佳点集遗传覆盖算法

针对覆盖算法中识别精度与泛化能力之间的一对矛盾,结合佳点集遗传算法思想,提出佳点集遗传覆盖算法。通过在覆盖种群中引入竞争,淘汰不好的覆盖,保留较优的覆盖,减少了覆盖个数和拒识样本个数,从而提高了整体覆盖种群的分类能力。与Lib-SVM、领域覆盖、交叉覆盖的对比实验证明了该算法具有良好的分类识别精度与泛化能力。     

一种改进的贪婪式覆盖算法

文中对覆盖算法进行了介绍和分析,提出了一种基于贪婪算法思想的改进的覆盖算法,称之为贪婪覆盖算法。通过对覆盖初始中心选择方式的改进,减少覆盖数量。通过实验,对比目前已有的几种实现方法,覆盖数量有了较大的下降,明显提高了分类识别的速度。     

一种改进的贪婪式覆盖算法

文中对覆盖算法进行了介绍和分析，提出了一种基于贪婪算法思想的改进的覆盖算法，称之为贪婪覆盖算法。通过对覆盖初始中心选择方式的改进，减少覆盖数量。通过实验，对比目前已有的几种实现方法，覆盖数量有了较大的下降，明显提高了分类识别的速度。     

覆盖算法的概率模型

要从本质上提高覆盖算法的精度,必须在算法中引入全局的优化计算.为此,先将覆盖算法扩展成核覆盖算法(以高斯函数为核函数),再利用高斯函数的概率意义(高斯分布),为核覆盖算法建立一个有限混合概率模型,在此基础上,利用"最大似然原理"引入全局优化计算,并利用EM(expectation maximization)方法进行求解,完成对覆盖算法的全局优化计算,从而扩大覆盖方法的使用范围并提高算法的精度,且将它从确定的模型扩展成概率的模型,后者更具抗噪声干扰的能力.最后给出模拟实验,实验比较结果表明,经优化后的概率模型确实提高了算法的精度.     

粒子群优化覆盖算法

在覆盖算法中,识别精度与泛化能力之间存在矛盾。为此,结合粒子群优化(PSO)具有的全局搜索能力,提出一种PSO覆盖算法。将领域覆盖算法中每一类样本形成的一组覆盖转化为粒子群,并在迭代过程中搜索出较好的覆盖粒子,从而得到一组个数较少且分类效果较好的覆盖。实验结果表明,该算法具有较高的分类识别精度及较优的泛化能力。     

多示例学习的示例层次覆盖算法

在多示例学习（Multi-instance learning,MIL）中,核心示例对于包类别的预测具有重要作用。若两个示例周围分布不同数量的同类示例,则这两个示例的代表程度不同。为了从包中选出最具有代表性的示例组成核心示例集,提高分类精度,本文提出多示例学习的示例层次覆盖算法（Multi-instance learning with instance_level covering algorithm,MILICA）。该算法首先利用最大Hausdorff距离和覆盖算法构建初始核心示例集,然后通过覆盖算法和反验证获得最终的核心示例集和各覆盖包含的示例数,最后使用相似函数将包转为单示例。在两类数据集和多类图像数据集上的实验证明,MILICA算法具有较好的分类性能。     

一种基于竞争的覆盖算法

与传统人工神经网络的算法相比,覆盖算法有运行速度快、精度高和易于理解的优点,但是覆盖算法的学习顺序是随机选择的,大量实验表明样本的学习顺序对神经网络的性能有着显著的影响。基于竞争的覆盖算法是在覆盖算法的基础上提出的,以消除算法中学习顺序所产生的影响。在该算法中,通过加入竞争机制,神经网络在学习样本的同时会逐步调整覆盖中心以形成更优的覆盖域。实验表明改进后的覆盖算法可以有效减少覆盖数量,减少拒识样本数,提高识别精度。