基于粗集理论和SVM算法的模式分类方法

本文提出一种将粗集方法与SVM算法结合起来的模式分类方法.利用粗集理论在处理大数据量、消除冗余信息等方面优势,减少SVM训练数据,克服SVM算法因为数据量太大,处理速度慢等缺点;同时,借助SVM良好的分类性能,对粗集约简后的最小属性子集进行分类,实现模式分类算法的快速性能、高识别率和抗干扰性强等优点.本文以手写体汉字的识别为例,说明本算法的实用性.     

基于粗集理论的支持向量机分类方法研究

介绍了粗集理论的基本概念和支持向量机分类的基本原理,提出将粗集理论和支持向量机方法相结合.通过应用粗集理论对数据的预处理,消除决策表中大量的冗余信息和冲突对象,但不丢失任何有用信息.通过这样对数据维数的约简,大大简化了支持向量分类模型的结构,同时也有效地提高了支持向量机的分类效率.通过对一组实验数据的仿真验证了该方法的可行性.     

基于粗集的遥感影像分类新方法

土地利用信息是进行土地规划和管理的重要数据,有着重要的经济价值。为了准确获取土地利用数据信息,根据粗集理论在处理遥感影像的不确定、不一致和属性选取方面虽有一定优势。然而现有的粗集方法对于遥感影像中的同物异谱和异物同谱现象过于敏感,采用计算机仿真技术对遥感影像进行自动分类是有效的手段,特别是其分类规则在仿真过程中易于出现过度拟合现象,限制了粗集分类的能力。针对上述情况,提出了一种新的基于粗集的遥感影像分类方法,改进了分类规则匹配机制。仿真结果表明通过改进方法可以很好的解决粗集与遥感影像的过度拟合现象,并提高了分类精度。     

基于粗集的最小规则集提取算法研究

粗集理论是在数据分析中对于具有不精确、模糊和不确定性进行分析、处理的一种数学理论.从该理论的基础原理出发,运用支持子集相对于决策的分类能力,提出一种最小规则集的提取算法,并给出例子分析算法过程,表明其有效性.     

粗糙集和神经网络方法在数据挖掘中的应用

提出了一种基于神经网络和粗集的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简,然后使用神经网络对数据进行学习,并同时完成属性的不一致约简,最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明,该方法快速有效,生成规则简单准确,具有良好的鲁棒性。     

基于粗集的朴素贝叶斯分类算法及其应用

朴素贝叶斯方法是数据库分类知识挖掘领域一项基本技术,具有广泛的应用。论文针对朴素贝叶斯方法的限制,提出了基于粗集理论的贝叶斯的分类知识挖掘方法。该方法首先基于粗集理论的属性约简能力,根据数据库中条件属性和决策属性之间的依赖关系,进行属性的约简处理,然后基于朴素贝叶斯方法进行分类知识挖掘。实验结果表明,基于粗集理论的贝叶斯分类方法改善了贝叶斯分类方法中属性之间独立的限制,简化了挖掘模型,使挖掘性能具有明显的优化。     

基于粗集理论和SVM算法的入侵检测方法研究

提出了一种将粗集方法与SVM算法结合起来的入侵检测方法。利用粗集理论在处理大数据量、消除冗余信息等方面的优势,减少SVM训练数据,克服SVM算法因为数据量大,处理速度慢等缺点。同时,借助于SVM良好的分类性能,对粗集约筒后的最小属性子集进行分类,实现入侵检测的快速性能,高检测率和抗噪声强等优点。实验结果表明,该方法优于其它同类方式。     

基于粗集和距离函数的决策树构造方法

决策树是一种有效用于分类的数据挖掘方法.在决策树构造算法中,粗集理论的相对核已被应用于解决多变量检验中属性的选择问题.考虑到决策树技术和粗集的优缺点,将二者结合起来,先对每个结点包含的属性个数加以限制,再用属性相关度和De Mantaras距离函数选择相关的属性组合作为属性选择的标准,给出一种新的构造算法.该算法的优点是能有效降低树的高度,而且增强了分类规则的可读性.     

基于粗集的遗传挖掘在故障诊断中的应用研究

介绍应用粗集理论和遗传算法相结合进行数据挖掘的方法.利用目前企业采集到的关键设备运行状态的大量数据,首先运用粗集理论的属性约简消去冗余的属性,然后以约简后的数据作为样本训练集,应用优化改进的遗传算法建立分类模型.根据构建的分类模型,可以发现故障设备运行的内在规律,快速对未知故障设备进行归类,从而为故障诊断与故障预测提供决策依据.     

一类神经网络数据预处理的二种方法的比较

介绍了主元分析法和粗集理论对原始数据进行压缩处理的基本算法.对一组边坡工程数据,分别利用主元分析法和粗集理论对数据预处理后,送给BP神经网络对边坡状态进行逼近.对检验样本进行仿真比较,说明了粗集理论在此种分类神经网络数据预处理上优于主元分析法.     

基于确定性退火技术的分类器设计

针对传统分类器的缺陷,文章提出将分类问题看作一物理系统,把求解分类问题的最优解转化为模拟温度变化的物理系统的平衡态,通过求解一系列温度变化的物理系统自由能函数的极小来模拟物理系统的平衡态,最终达到物理系统的基态,即分类问题的最优解。由确定性退火技术构造学习规则用于优化分类器参数,目的是减少分类误差以及待识别空间的系统熵。试验表明,将确定性退火技术用于分类器设计中,降低了分类误差,取得了良好的分类性能。     

基于支持向量机的图书分类管理研究

如今图书管理机构通常依据“书籍量”、“费用比例”等指标构建体系并完成分类,这是最传统的分类模型,特点是重点管理高价值图书,非重点管理一般图书。虽然简单实用,但是传统模型过于简单,对于现实运营中的图书重要度、采买时间、供应水平等指标不能科学全面反应,导致分类比较粗糙。论文通过创新性地将支持向量机的分类原理应用到图书的ABC分类中去,应用实际数据对支持向量机图书分类模型进行检验,并将分类结果与传统的分类结果进行比较,验证其分类的优越性,实现对图书的科学合理、自动化分类。     

Classification of reference models: a methodology and its application

Classification is an important tool for perception and can be found in numerous scientific disciplines. Several application areas of classification are described in the context of information modeling. The usefulness of classification for reuse resp. selection of reference models is emphasized. A methodology to systematically create classification systems will be introduced. Furthermore, a classification system for reference models will be developed with the aid of the proposed methodology. This classification system gives a comprehensive, but abstract survey of 26 reference models found in the literature.     

分布式并行系统中的一种故障分类模型

故障诊断是分布式并行环境下容错系统的关键部分，故障分类模型是影响故障诊断性能的重要因素之一。由于不同的分布式系统有其不同的特点．为了减少系统在故障诊断方面的负担，故障诊断方案一般都考虑程序的需求和系统的属性，选择最合适的故障分类模型。本文提出了一种新的分布式并行环境下的故障分类模型，可以将故障诊断限定在一个合理的故障集中。将这种分类模型和特殊的程序需求以及系统属性相结合，能够得到一个效果理想的故障检测方案。     

Patent classification system using a new hybrid genetic algorithm support vector machine

Nowadays, decision-making activities of knowledge-intensive enterprises depend heavily on the successful classification of patents. A considerable amount of time is required to achieve successful classification because of the complexity associated with patent information and of the large number of potential patents. Several different patent classification approaches have been developed in the past, but most of these studies focus on using computational models for the International Patent Classification (IPC) system rather than using these models in real-world cases of patent classification. In contrast to previous studies that combined algorithms and the IPC system directly without using expert screening, this study proposes a novel artificial intelligence (AI)-aided patent decision-making process. In this process, an expert screening approach is integrated with a hybrid genetic-based support vector machine (HGA-SVM) model for developing a patent classification system with the high classification accuracy and generalization ability for real-world patent searching cases. The proposed approach is tested on a real-world case—an expert's patent document searching history that contains 234 patent documents of semiconductor equipment components. The research results demonstrate that our proposed hybrid genetic algorithm approach can optimize all the parameters of the SVM for developing a patent classification system with a high accuracy. The proposed HGA-SVM model is able to dynamically and automatically classify patent documents by recording and learning the experts’ knowledge and logic. Finally, we propose a new decision-making process for improving the development of the SVM patent classification and searching system.     

一种新的图像定位和分类系统实现方案

首先简单介绍了图像定位和分类系统的基本概念。然后分析了几种图像定位和分类系统的实现方式与性能。在此基础上,提出了一种新型图像和分类系统实现方案:该方案采用可重配置器件FPGA和数字信号处理器DSP协同工作,实现了便携式图像处理系统。最后给出系统测试平台设计思路,并详细列出新型系统的性能数据。     

Parallel supervised land-cover classification system for hyperspectral and multispectral images

Hyperspectral and multispectral imagery allows remote-sensing applications such as the land-cover mapping, which is a significant baseline to understand and to monitor the Earth. Furthermore, it is a relevant process for socio-economic activities. For that reason, high land-classification accuracies are imperative, and minor image processing time is essential. In addition, the process of gathering classes’ documented samples is complicated. This implies that the classification system is required to perform with a limited number of training observations. Another point worth mentioning is that there are hardly any methods that can be used analogously for hyperspectral or multispectral images. This paper aims to propose a novel classification system that can be used for both types of images. The designed classification system is composed of a novel parallel feature extraction algorithm, which utilises a cluster of two graphics processing units in combination with a multicore central processing unit (CPU), and an artificial neural network (ANN) particularly devised for the classification of the features ensued by the implemented feature extraction method. To prove the performance of the proposed classification system, it is compared with non-parallel and CPU-only-parallel implementations employing multispectral and hyperspectral databases. Moreover, experiments with different number of samples for training the classifier are performed. Finally, the proposed ANN is compared with a state-of-the-art support vector machine in classification and processing time results.     

A system for classification of time-series data from industrial non-destructive device

This work proposes a system for classification of industrial steel pieces by means of magnetic nondestructive device. The proposed classification system presents two main stages, online system stage and off-line system stage. In online stage, the system classifies inputs and saves misclassification information in order to perform posterior analyses. In the off-line optimization stage, the topology of a Probabilistic Neural Network is optimized by a Feature Selection algorithm combined with the Probabilistic Neural Network to increase the classification rate. The proposed Feature Selection algorithm searches for the signal spectrogram by combining three basic elements: a Sequential Forward Selection algorithm, a Feature Cluster Grow algorithm with classification rate gradient analysis and a Sequential Backward Selection. Also, a trash-data recycling algorithm is proposed to obtain the optimal feedback samples selected from the misclassified ones.     

面向全生命周期管理的煤机设备信息分类编码

针对目前煤机设备在跨全生命周期管理过程中存在大量信息孤岛,导致无法进行数据深化应用的问题,从煤机设备全生命周期业务流程产品链、资产链和价值链运作模式出发,结合现有国际、国家、煤炭行业和相关领域的信息分类和编码标准,采用统一建模语言(UML)和面向对象分析方法(OOA),提出了一种面向全生命周期管理的煤机设备信息分类编码体系设计思路。首先,采用线分类法和面分类法相结合的混合分类法对煤机设备信息分类;然后,利用GS1编码体系的GTIN实现煤机设备类别唯一标志,采用附加属性方式关联煤机设备的MJLBM-1编码;最后,采用EPC编码体系的SGTIN-96编码进行单台煤机设备唯一标志,实现SGTIN与GTIN的转换。应用实例验证了该分类编码体系的可行性,一定程度上解决了煤机设备信息分类和编码混乱、规范性差和信息共享难等问题,并且与全球GS1系统实现了体系兼容,拓宽了煤炭行业相关产品和技术的流通领域。     

模糊分类系统的邻域原理设计算法

使用支持向量机算法直接求海量数据的模糊分类系统是相当困难的.为了解决这个问题,提出了基于邻域原理设计模糊分类系统的方法.将支持向量机的理论建立在距离空间上,设计出了计算支持向量的邻域算法;利用所求的支持向量,基于平分最近点方法设计出了求分类超平面的算法,求出模糊分类系统,该算法优于基于支持向量机直接求模糊分类系统的方法.实验结果说明,该方法可有效地解决对海量数据的模糊分类系统的设计问题.