基于密钥的Arnold—Hilbert变换在图像置乱中的应用

在分析使用Arnold变换和Hilbert曲线的图像置乱的基础上,提出一种基于密钥的Arnold-Hilbert组合变换的图像置乱方法.通过实验及分析说明了该方法的效果、抗攻击能力及实际应用价值.     

基于标记特征的多标记学习改进算法

基于标记特征的多标记分类算法通过对标记的正反样例集合进行聚类,计算样例与聚类中心间的距离构造样例针对标记的特征子集,并生成新的训练集,在新的训练集上利用传统的二分类器进行分类。算法在构造特征子集的过程中采用等权重方式,忽略了样例之间的相关性。提出了一种改进的多标记分类算法,通过加权方式使生成的特征子集更加准确,有助于提高样例的分类精度。实验表明改进的算法性能优于其他常用的多标记分类算法。     

k-means算法的研究与改进

本文在分析聚类划分方法的基础上,重点讨论了时k-means聚类方法的改进,针对k-means算法,提出了一种新的基于数据样本分布选取初始聚类中心的方法,提高了k-means算法的聚类准确率.     

多代理信息融合算法

提出了一种基于模糊数的多代理信息融合算法。多代理系统中，自身代理为实现自身利益，有时提供非真实的诱导信息影响决策。通过分析信息融合算子对诱导信息的响应，扩充了简洁OWA(n-OWA)为信息融合算子以消除诱导信息的影响。同时，引进后续惩罚因子，降低该代理在后续阶段的作用来惩罚提供诱导信息代理。     

标记错分样本的AdaBoost算法

提出一种新的标记迭代过程中错分样本的AdaBoost算法(MWBoost),该算法通过在提升过程中,把上一个分类器错分的样本全部参入到下一个分类器的训练中,并在分类正确的样本中进行重采样,从而使得后一轮提升中分类器能够更快速地关注那些难以分类的样本.该算法在UCI的多个数据集上进行了测试,并且与传统的AdaBoost算法进行了比较,实验结果表明,新的算法具有更好的分类精度.     

集成学习的多分类器动态组合方法

为了提高数据的分类性能,提出一种集成学习的多分类器动态组合方法(DEA)。该方法在多个UCI标准数据集上进行测试,并与文中使用的基于Adaboost算法训练出的各个成员分类器的分类效果进行比较,证明了DEA的有效性。     

最值间距支持向量机

GEPSVM(Proximal Support Vector Machine Classification via Generalized Eigenvalues)是近年提出来的一种新的二分类SVM,其核心思想是通过求解广义特征方程得到两个最优超平面,然后通过计算样本到超平面的距离来决定样本所属类别。与传统SVM相比,GEPSVM降低了时间复杂度,但仍存在奇异性等问题。提出了一种新的算法TDMSVM(Twin Distance of Minimum and Maximum Support Vector Machine),其通过求解标准特征方程得到两个最优超平面,使超平面满足到本类样例的平均距离最小化,同时到另一类样例的平均距离最大化。通过理论分析和实验证明,与GEPSVM相比,TDMSVM有以下优势:进一步降低了时间复杂度;不需引入正则项,从而提高了泛化性能;克服了奇异性。     

多代理最优响应Q学习及收敛性证明

在分析了多代理强化学习的基础上，提出了一种基于对手策略假设的代理最优响应强化学习规则，并证明了当对手策略满足一定条件时，基于该学习规则的Q值收敛。实验结果与理论证明相一致。     

多代理模糊收益及策略学习

本文研究了基于模糊知识的多代理决策问题。通过建立代理决策目标的模糊知识,我们给出了基于模糊收益的多代理决策模型,并研究了基于梯度的代理策略学习算法。     

一种基于信息熵的多分类器动态组合方法

为提高数据分类的性能,提出了一种基于信息熵[1]的多分类器动态组合方法（EMDA）。此方法在多个UCI标准数据集上进行了测试,并与由集成学习算法—AdaBoost,训练出的各个基分类器的分类效果进行比较,证明了该算法的有效性。