基于阴影集的粗糙聚类闭值选择

粗糙聚类思想自提出以来,在软划分聚类方面取得了广泛应用,但其阂值参数常主观确定,未能考虑数据集 本身的特性。基于阴影集((Shadowed Sets)的优化理论给出了一种客观的阂值选择方法,并将其应用于粗糙模糊C均 值聚类算法。人工数据与UCI数据实验结果表明了所提方法的有效性。     

基于主题的文本句情感分析

近年来,针对互联网在线信息的情感分析已经成为自然语言处理领域的一个研究热点。提出一个基于主题的情感向量空间模型,它将文本的潜在主题特征融入情感模型中,结合情感词典,利用多标签分类算法,对文本中句的情感极性进行分析与研究。实验结果表明,基于主题的情感向量空间模型在句的情感极性判断上取得了令人满意的效果。     

基于互信息的模糊粗糙集属性约简

模糊粗糙集知识约简是模糊粗糙集理论的核心内容之一。该文从粗糙集知识熵出发,结合模糊集隶属度函数,将其应用于模糊环境下,推广了互信息的度量概念,使其能评价模糊决策表中属性的重要性。并给出了一种模糊决策表的启发式属性约简算法,通过实例验证了它的可行性,为模糊决策表的属性约简提供了一种有效的方法。     

基于覆盖的粗糙聚类算法

传统的聚类算法大都得到了样本集的一个划分,类之间是严格的互斥关系,而现实世界中类与类之间往往没有明确的边界。该文将粗糙集理论引入到聚类分析中,提出了一种基于覆盖的粗糙聚类算法KMMRSC,它用多个中心点代表一个类,并用上、下近似来刻画样本的归属,类与类之间是一种覆盖关系。实验结果表明,该算法聚类质量优于k-均值算法,且能发现非球状簇。     

基于粗糙集和神经网络的分类器及其在LPR中的应用

粗糙集和神经网络在模式识别中都可用于分类,但是都有局限性。虽然两者没有太多的共同点,将它们结合起来却能相互补充,起到比单个理论更好的分类效果。本文从理论上给出了用粗糙集约简算法减少BP网络中的一个神经元或连接时网络输出能产生的最大误差。接着将粗糙集和BP网络结合起来设计分类器,并通过车牌数字识别验证了该分类器的有效性。实验说明该分类器比单独用粗糙集和神经网络设计的分类器识别率高、识别时间短。     

基于粒计算的多粒度用户画像

现有的用户画像分析模型使用单一模型单一粒度的学习方式处理异构多源的原始数据,限制分析模型的性能,无法完整展示多层次、多角度的用户画像特征.针对该问题,基于粒计算思想,文中提出多粒度用户画像分析模型.首先,构建数据的多粒度表示结构,粒化原始数据.再根据数据粒度结构,提出基于集成学习的粒度提升算法,用于融合低粒层的数据信息以得到高粒层的数据表示.最后,在多个粒层数据表示上进行用户画像分析,展示一个较全面的用户画像.实验表明,相比单一粒度的用户画像,多粒度的用户画像更全面、立体和丰富     

基于序贯三支决策的半监督目标检测算法

深度学习对大规模数据的需求以及目标检测标注任务的复杂性促进了半监督目标检测任务的发展。近年来，半监督目标检测已经取得了很多优秀的成果。然而，伪标签中的不确定性依然是半监督目标检测研究中难以避免的问题，优越的半监督方法要求选取合适的过滤阈值来权衡伪标签的噪声信息比例和召回率，以最大程度保留准确有效的伪标签。为了解决此问题，在半监督检测的框架中引入了序贯三支决策算法，将模型输出的伪标签根据不同的筛选阈值划分为干净的前景标签、有噪声的前景标签，以及干净的背景标签，并对其采取不同的处理策略。对有噪声的前景标签采用负类学习损失来学习这些存在噪声的标签，避免学习到其中的噪声信息。实验结果表明了所提算法的性能优势，针对COCO数据集，在有监督数据占比只有10%的情况下，该方法实现了35.2%的检测精度，相比仅依靠有监督训练性能提升了11.34%。     

基于Rough Set理论的"数据浓缩"

本文了基于ＲｏｕｇｈＳｅｔ（ＲＳ）理论数据浓缩的几个问题。     

知识不确定性度量及其关系研究

知识的不确定性度量研究是人工智能领域的一个热点问题。在回顾几种经典知识不确定性度量方法的基础上,系统研究了这些度量方法之间的联系与区别,结果表明信息粒度等度量与知识粒度是等价的,而Rough熵和协同熵等则可看作是信息熵的派生,并通过实例验证了结论的正确性。