Higher-Order Smoothing： A Novel Semantic Smoothing Method for Text Classification

It is known that latent semantic indexing （LSI） takes advantage of implicit higher-order （or latent） structure in the association of terms and documents. Higher-order relations in LSI capture ＂latent semantics＂. These findings have inspired a novel Bayesian framework for classification named Higher-Order Naive Bayes （HONB）, which was introduced previously, that can explicitly make use of these higher-order relations. In this paper, we present a novel semantic smoothing method named Higher-Order Smoothing （HOS） for the Naive Bayes algorithm. HOS is built on a similar graph based data representation of the HONB which allows semantics in higher-order paths to be exploited. We take the concept one step further in HOS and exploit the relationships between instances of different classes. As a result, we move beyond not only instance boundaries, but also class boundaries to exploit the latent information in higher-order paths. This approach improves the parameter estimation when dealing with insufficient labeled data. Results of our extensive experiments demonstrate the value of HOS oi1 several benchmark datasets.     

基于主成分分析的决策树构造方法

针对传统的ID3算法在选择分裂属性上对取值较多属性过分依赖的缺点,提出了基于主成分分析的决策树优化算法.该算法是通过主成分分析综合了信息增益和相关度系数来选择分裂属性.论文通过UCI提供的标准数据集,对优化算法进行测试,分析了优化算法的性能特点,验证了优化算法在分类正确率和执行效率上要优于ID3算法.     

基于PSO的新算法在库存分类中的应用

本文提出了基于粒子群(PSO)的训练ANN的新算法,以此为基础建立了对库存品进行ABC分类的模型.新算法充分结合了PSO与BP两者的优势,在训练过程中能同时优化权值以及神经元log-Sigmoid函数.实验结果表明,新算法是企业库存信息管理系统中进行决策预测的一种可行方法.     

有效的纹理缺陷检测方法：子带共现矩阵法*

提出一种结合小波变换与共现矩阵用于纺织品图像缺陷检测的方法.首先将灰度图像分解成子带;然后将纹理图像分割成互不重叠的子窗口,提取共现特征;最后用无缺陷样品训练的Mahalanobis分类器将每一子窗口划分为缺陷的和无缺陷的.应用该算法进行实际工厂环境中的纺织品缺陷检测.实验结果表明,集中处理具有强判决能力的某一频带提高了检测性能,也改善了计算效率.     

大规模数据分类的支持向量预处理方法

对支持向量分类机中大规模数据集训练速度慢的瓶颈提出一种预处理方法,通过设置邻域特征值,比较样本点特征信息,建立样本集删除矩阵,剔除重复反映分类特性的样本点,达到在保持分类精确度的同时提高数据集训练速度,减少训练时间的目的.通过对随机数据和UCI标准数据库的数值实验验证了算法有效性,且相应调整计算阈值时可以达到提高分类精度的效果.     

基于TSVM分类的网络入侵检测方法

网络入侵检测技术是入侵检测领域研究的热点内容,但仍然存在误报率较高、对建立检测模型的数据要求过高、在缺乏足够训练数据的"小样本"环境下检测性能明显下降等问题.基于TSVM分类机器学习算法,提出了一种有指导的网络入侵检测新方法,能够高效地检测网络入侵.通过基于著名的KDD Cup 1999数据集的实验,表明其相对于传统的入侵检测方法具有较高的检测率和较低的误报率;特别是在采用"小样本"训练集的情况下,其仍能保证较高的检测性能.