基于LIBSVM的“就是”句句间关系判别方法

针对使用规则和机器学习方法判别句间关系时出现因机器学习多次迭代而导致规则权值削弱现象,进而导致判别正确率偏低的问题,提出了在规则和机器学习相结合过程中对导入的明显规则特征进行加强处理的方法。首先,抽取依存词汇、语义、句子结构等具有明显规则的特有特征;然后,基于一些句间关系指示词提取普适的特征;其次,将特征写入待输入的数据向量,并且增加一维向量用来存储出现的明显规则特征;最后,运用LIBSVM模型结合规则和机器学习进行实验。实验结果表明,加强后的实验正确率较之加强前平均提高了两个百分点,各句间关系准确率、召回率、F1值整体上都取得了较好的结果,平均值达到了82.02%、88.95%、84.76%。实验思路和方法对研究句子间联系紧密度具有重要价值。     

基于随机近邻嵌入的判别性特征学习

特征学习是机器学习中的一项重要技术,研究从原始数据中学习后置任务所需的数据表示.目前,多数特征学习算法侧重于学习原始数据中的拓扑结构,忽略了数据中的判别信息.基于此,提出了基于随机近邻嵌入的判别性特征学习模型.该模型将对判别信息的学习与对拓扑结构的学习融合在一起,通过迭代求解的方式,同时完成对这两者的学习,从而得到原始...     

基于词联接的诗词风格评价技术

在当前自然语言处理的研究状况下,文学语言处理应当受到足够的重视。诗词艺术集中体现了文学语言的形象性、情感性、个性等特征,是文学语言处理研究很好的切入点。风格评价是文学语言处理的重要课题,极具挑战性。本文以诗词语言为具体研究对象,以基于词联接的自然语言处理技术为技术背景,着重介绍并验证基于词联接的诗词风格评价技术。提出了计算方法,设计了诗词风格评价问卷调查实验。结果表明,人的诗词风格评价共性大于个性,基于词联接的诗词风格评价技术能够有效地评价诗词风格。     

基于判别特征加权的GPLVM算法

高斯过程隐变量模型是最近提出的比较流行的无监督降维方法.但是,它是一种无监督的机器学习算法,没有突出类结构,使得结果不能有效地表示类别信息.因此,提出一种利用判别特征值对高斯过程隐变量模型进行加权的算法,该算法不仅能够加强模型在低维流形上的判别性,而且能很好地保持类内的流形结构.     

一种辅以强规则学习的双层文本分类模型

随着基于机器学习的文本自动分类方法成为主流分类技术，基于机器学习的文本分类方法往往忽视了对规则分类方法的有效运用。该文将基于规则的分类思想和基于机器学习的分类方法有机地结合起来，把规则判别看作一个分量分类器，提出了一种辅以规则补充的双层文本分类模型和一种优化的分类规则学习算法。根据该方法设计并实现了一个基于规则和N-Gram统计分类相结合的双层分类器，进行了双层分类模型与单独的N-Gram分类模型的实验，结果表明辅以规则补充的双层分类器具有更好的分类性能。     

融合生成模型和判别模型的双层RBM运动捕获数据语义识别算法

对人体运动捕获数据底层特征和高层语义之间常常存在语义鸿沟的问题,结合深度学习思想,提出一种融合受限玻尔兹曼机生成模型和判别模型的运动捕获数据语义识别算法.该算法采用双层受限玻尔兹曼机,分别对运动捕获数据进行判别性特征提取(特征提取层)和风格识别(语义判别层),首先考虑到自回归模型对时序信息具有出色的表达能力,构建一种基于单通道三元因子交互的条件限制玻尔兹曼机生成模型,用于提取运动捕捉数据的时空特征信息;然后将提取出的特征与对应的风格标签相耦合,作为语义判别层中受限玻尔兹曼机判别模型的当前帧数据层输入,进行单帧风格识别的训练;最后在获得各帧参数的基础上,在模型顶部加入投票空间实现对运动捕捉序列的风格语义的有效识别.实验结果表明,文中算法具有良好的鲁棒性和可扩展性,能够满足多样化运动序列识别的需求,便于数据的有效重用.     

基于Gram-Schmidt过程的支持向量机降维方法

支持向量机是借助于最优化方法来解决机器学习问题的工具。在实际应用研究中,多元变量间的相关性是普遍存在的,这可能影响支持向量机分类模型的判别效率。因此文中提出了基于Gram—Schmidt过程的特征选择方法,来减少多重共线性的危害。该方法利用Gram-Schmidt正交化过程,在特征集合中选择判别力强的信息,并把挑选出来的特征集合变换成若干直交变量。这样不仅可以实现判别模型的变量筛选,同时也解决了多重共线性对判别模型的影响这一问题。文中进行数值实验,将所提算法与fisher判别法相比较,结果所提算法不仅降低了模型维度,预报准确率也有所提高,验证了所提方法的有效性。     

基于社会新闻数据集的伦理行为判别方法

人工智能(artificial intelligence,AI)应用的伦理风险和挑战引起了人们的普遍关注,如何从技术实现角度开发出遵守人类价值观和伦理规范的AI系统,即,符合伦理的AI设计,是亟需解决的重要问题之一.基于机器学习的伦理与道德判别是此方面的有益探索.社会新闻数据具有丰富的伦理和道德的内容及知识,为机器学习的训练数据开发提供了可能.鉴于此,本文构建了具有人类行为伦理和道德属性的社会新闻数据集,附之以法律与行为规范数据集,用以机器学习的训练和测试;建立了基于使用信息实体的增强语言表示(enhanced language representation of information entities,ERNIE)和卷积神经网络(convolutional neural network,CNN)的伦理行为判别模型ERNIE-CNN,通过词的向量表示计算语义相似度来提取关于行为的伦理判断.实验结果表明,提出的模型具有比基准模型更好的性能,验证了方法和模型的有效性.     

对抗环境下的线性分类器对抗性比较

机器学习算法为很多安全应用提供了良好的解决方案,然而机器学习算法本身却面临被敌手攻击的威胁。为分析敌手攻击对机器学习算法造成的影响,本文提出符合某些特定场合的敌手攻击模型,并在该模型下比较几种线性分类器的对抗性。最后在垃圾邮件过滤公开数据库上进行测试,实验结果表明,支持向量分类器具有相对较好的对抗性。     

基于机器学习的优化股票多因子模型

笔者旨在构建机器学习优化股票多因子模型,用以处理A股市场风格切换和选股问题来最终获得超额收益,首先构建因子分析模型来筛选出7个最优因子,进而构建基于机器学习的随机森林模型,通过随机森林回测某段时间的股票波动情况。该模型分别从因子表达、机器学习算法两个角度对A股市场股票的波动规律进行研究,获取最大回撤的超额收益。笔者使用公开的2016年1月1日至2018年9月30日我国A股市场的数据对算法性能进行评估。实验结果显示回测的正确率为83%,收益的平均利率约为1.57%。     

基于维数约简与特征选择的PGS方法在数据处理中的应用

特征选择和维数约简在机器学习、模式识别和数据挖掘领域是很常用的方法,它们之间也具有一定的联系,但对它们的融合应用目前很少研究,从而融合特征选择和维数约简的思路被提出.该思路融合了主成分分析方法和遗传算法,提出PGS方法,并把它应用于基因microarray数据的预测分类,取得了较好的效果.     

A new clustering method based on the bio-inspired cuttlefish optimization algorithm

Most of the well-known clustering methods based on distance measures, distance metrics and similarity functions have the main problem of getting stuck in the local optima and their performance strongly depends on the initial values of the cluster centers. This paper presents a new approach to enhance the clustering problems with the bio-inspired Cuttlefish Algorithm (CFA) by searching the best cluster centers that can minimize the clustering metrics. Various UCI Machine Learning Repository datasets are used to test and evaluate the performance of the proposed method. For the sake of comparison, we have also analysed several algorithms such as K-means, Genetic Algorithm and the Particle Swarm Optimization (PSO) Algorithm. The simulations and obtained results demonstrate that the performance of the proposed CFA-Clustering method is superior to the other counterpart algorithms in most cases. Therefore, the CFA can be considered as an alternative stochastic method to solve clustering problems.     

粒子群和遗传算法优化支持向量机的破产预测

介绍了一种基于粒子群算法和遗传算法优化支持向量机预测破产的方法。这种方法融合了粒子群算法、遗传算法和支持向量机诸多优点,并行地搜寻支持向量机最优的正则化参数和核参数,由此构建优化的预测模型。采用源自UCI机器学习数据库的破产和非破产混合样本数据集,随机地读入数据和进行数据预处理,运用7重交叉校验方法客观地评价预测结果。仿真结果显示,这种方法能自动有效地构建优化的支持向量机,与其他方法比较,具有更强的推广能力和更快的学习速度,而且具有更好的破产预测准确率。     

智能规划中基于遗传算法的动作模型学习

在动作间的状态未知条件下,利用遗传算法,从不完整的领域描述和规划实例中学习动作模型,并且设计了AMLS-GA(Action Model Learning System Based on Genetic Algorithm)系统来具体实现这一思想.作者为每一个动作构建一个可能谓词集,这个谓词集覆盖了动作前提表、增加表和删除表中的所有谓词.采用二进制编码的方式,把动作模型编码成GA搜索空间中的一个假设,学习过程是在标准的遗传算法框架下进行的.把学习结果的正确性定义为尽可能多的解释规划实例,并且通过实验的方法对比学习到的模型与专家预定义模型之间的差别.实验结果表明,算法能在较短的时间内,学习到一个逼近专家描述的动作模型.     

基于改进鲸鱼优化算法的外骨骼机器人步态检测

针对传统的外骨骼机器人步态检测算法中的信息单一化、准确率低、易陷入局部最优等问题，提出基于改进鲸鱼算法优化的支持向量机（IWOA-SVM）的外骨骼机器人步态检测算法，即在鲸鱼优化算法（WOA）中引入遗传算法（GA）的选择、交叉、变异操作，进而去优化支持向量机（SVM）的惩罚因子与核参数，再使用参数优化后的SVM建立分类模型，从而扩大算法的搜索范围，减小算法陷入局部最优的概率。首先，使用混合传感技术采集步态数据，即通过足底压力传感器和膝关节、髋关节角度传感器采集外骨骼机器人的运动数据，并作为步态检测系统的输入；然后，使用门限法对步态相位进行划分并标记标签；最后，将足底压力信号与髋关节、膝关节角度信号融合作为输入，使用IWOA-SVM算法完成对步态的检测。对6个标准测试函数进行仿真实验，并与GA、粒子群优化（PSO）算法、WOA进行比较，数值实验表明，改进鲸鱼优化算法（IWOA）的鲁棒性、寻优精度、收敛速度均优于其他优化算法。通过分析不同穿戴者的步态检测结果发现，准确率可达98.8%，验证了所提算法在新一代外骨骼机器人中的可行性和实用性，并与基于遗传优化算法的支持向量机（GA-SVM）、基于粒子群优化算法的支持向量机（PSO-SVM）、基于鲸鱼优化算法的支持向量机（WOA-SVM）算法进行比较，结果表明，该算法识别准确率分别提高了5.33%、2.70%、1.44%，能够对外骨骼机器人的步态进行有效检测，进而实现外骨骼机器人的精确控制及稳定行走。     

Automatic diagnosis with genetic algorithms and case-based reasoning

This article describes the application of Machine Learning (ML) techniques to a real world problem: the Automatic Diagnosis (classification) of Mammary Biopsy Images. The techniques applied are Genetic Algorithms (GA) and Case-Based Reasoning (CBR). The article compares our results with previous results obtained using Neural Networks (NN). The main goals are: to efficiently solve classification problems of such a type and to compare different alternatives for Machine Learning. The article also introduces the systems we developed for solving this kind of classification problems: Genetic Based Classifier System (GeB-CS) for a GA approach, and Case-Based Classifier System (CaB-CS) for a CBR approach.     

基于遗传算法和极限学习机的Fugl-Meyer量表自动评估

为实现脑卒中上肢居家康复评定的自动化和定量化,针对临床上最常用的Fugl-Meyer运动功能评定（FMA）量表,利用极限学习机（ELM）建立了FMA量表得分自动预测模型。选取FMA肩肘部分中的4个动作,采用固定于偏瘫侧前臂和上臂的两个加速度传感器采集24名患者的运动数据,经预处理和特征提取,基于遗传算法（GA）和ELM进行特征选择,分别建立单个动作ELM预测模型和综合预测模型。结果显示,该模型可对FMA肩肘部分得分进行精确的自动预测,预测均方根误差为2.1849分。该方法突破了传统评定中主观性、耗时性的限制及对康复医师或治疗师的依赖性,可方便用于居家康复的评定。速度传感器采集24名患者的运动数据,经预处理和特征提取,基于遗传算法（Genetic Algorithm, GA）和ELM进行特征选择,分别建立单个动作ELM预测模型和综合预测模型。结果显示,该模型可对FMA肩肘部分得分进行精确的自动预测,预测均方根误差为2.1849分。该方法突破了传统评定中主观性、耗时性的限制及对康复医师或治疗师的依赖性,可方便用于居家康复的评定。     

基于智能全间隔自适应模糊支持向量机的水质分类

提出了一种新型具有良好特性的支持向量机--全间隔自适应模糊支持向量机(TAFSVM)。运用实值遗传算法(RGA)对其进行参数优选,得到一种新的智能模型--实值遗传算法优化的全间隔自适应模糊支持向量机(RGATAFSVM)模型,并且应用于四种不同的水质数据分类。实验结果表明,提出的模型相对标准支持向量机、BP神经网络和单因子分类方法具有较高的分类精度和较高的稳定性,是一种有效的水质分类方法。     

基于决策树对支持向量机的医学图像分类新方法

针对传统对支持向量机多类分类算法（Multi-TWSVM）中出现的模糊性问题,提出了一种基于遗传算法的决策树对支持向量机（GA-DTTSVM）多类分类算法。GA-DTTSVM用遗传算法对特征数据建立决策树,通过构建决策树可以分离样本的模糊区域,提高模糊区域样本的识别率。在决策树的每个节点上用对支持向量机（TWSVM）训练分类器,最后用训练的分类器进行分类和预测。实验结果表明,与决策树对支持向量机（DTTSVM）多类分类算法以及Multi-TWSVM相比,GA-DTTSVM多类分类算法具有较高的分类精度和较快的训练速度。     

基于GA-ELM的稀土混合溶液多组分含量预测

针对稀土萃取液中有颜色特征和无颜色特征的离子在共存工况下组分含量难以快速检测的问题,提出一种基于遗传算法(GA)-极限学习机(ELM)的多组分含量预测方法。确定稀土萃取槽体混合溶液图像特性和描述图像信息的H、S颜色特征分量,利用ELM速度快、泛化能力强的优点,建立基于颜色特征的多组分含量模型,鉴于传统ELM模型初始权值和阈值的随机性易影响模型性能,使用GA对初始值进行优化确定。基于CePr/Nd萃取溶液样本数据的实验结果表明,与ELM、BP、LSSVM以及GA-BP、PSO-ELM等算法相比,该方法具有较高的预测精度且稳定性较好,可为稀土萃取现场快速获取多组分含量值提供技术支撑。