基于WWW的未登录词识别研究

一、引言当前,随着国民经济信息化的不断发展以及Internet的普及应用,全世界丰富的信息资源展现在我们每个人面前。如何从大量的信息中迅速有效地提取出所需信息极大地影响着我国计算机技术和信息技术的发展和应用推广。据统计,在信息领域中,80％以上的信息是以语言文字为载体的,因此,中文信息处理技术成为我国重要的计算机应用技术。未登录词的识别是中文信息处理技术中的难点之一。它在Internet数据挖掘、信息检索、图书馆图书文献管理、语音识别等应用中     

基于支撑向量置换核函数的一种领域知识与模型融合的技术

提出了一种修正撑向量核函数的理论与方法，与传统的方法相比，置换核函数的引入为领域知识与学习模型的融合提供了理论基础与方法。该文借助于置换的概念，对关于事物模式组成的不变性常识进行了形式化，求取了可以定量表述事物模式扰动的置换变换矩阵；在分类不变性的约束下，运用置换变换矩阵对核函数进行修正，获得了改进的学习模型，文本分类的实验表明，学习算法将文本领域内的知识有效地融合到了学习模型中，获得了更高的分辨率与泛化能力。     

关联规则算法的实现与改进

关联规则作为一种数据挖掘的工具,它能够发现数据项集之间有趣的关联。在关联规则的算法中,Apriori算法是其中的关键算法之一。面对大量复杂的数据集,怎样选择数据结构,怎样优化处理过程,对于此算法的性能将会十分重要。该文首先介绍了关联规则的原理和Apriori算法的实现,然后提出了对该算法的若干改进,例如:采用树型结构存取频繁项集,使用三种缓存优化的方法等。这些优化都能够在整体上提高算法的效率。对于大数据项,试验显示,这些改进能够正确、有效、快速地实现Apriori算法。     

一种新的启发式知识约简算法

知识约简是Rough Set理论研究的重要内容.通过分辨矩阵定义了简化分辨函数,然后针对此分辨函数构造了两种操作以及定义了覆盖、最小覆盖等概念,并基于这种操作、概念和相关原理将决策系统的约简问题转化为寻求简化分辨函数最小覆盖的问题;面向最小属性约简定义了基于简化分辨函数的属性重要度,并以此为启发信息,结合已导出的有关最小覆盖的定理构造了一种新的知识约简算法--算法SDFAR.文中,在理论上详细证明了提出算法的完备性并给出了算法的复杂性分析,说明其高效性,对寻找最小约简是相对有效的,这在最后的实验中也得到了验证.     

情感主体形式模型

为使主体能够有效处理情感,具有更高的智能性,本文提出一种情感主体的形式化描述模型.分3个层次,给出情感主体心智状态、情感主体心智状态更新、以及情感主体模型的形式化定义.并通过对基本情感的更新过程的公理推导,说明了该模型能够充分体现情感主体的本质特征和运行机制,有较强的表达能力和扩展能力,为构建支持情感推理的情感规则库提供理论依据.然后对情感更新过程进行直观描述,并给出情感主体的体系结构.仿真实验表明,情感主体能够合理产生情感反应并作出更优智能决策,从而验证该模型的有效性.     

税务稽查选案专家系统的研究

本文在分析稽查逃案业务的基础上,探讨了稽查选案专家系统的总体结构、设计思想及实现方式,提出了符合目前选案业务需求,适宜当前选案工作特点的专家系统解决方案。并以中科院计算所研制的“面向对象知识处理系统”为工具,开发了一个选案专家系统原型,目前已在沈阳市国家税务局稽查分局试运行成功。     

一种支持时间序列数据的CBR检索算法

探讨了如何为CBR（基于范例的推理）增加对一种特殊的范例类型——时间序列数据的支持．分析了基于谱分析的时间序列相似度比较算法不适用于CBR检索的缺点，并在此基础上设计了一种综合性能很好的CBR检索算法．思路是把时间序列相似度比较转化成一个卷积问题，并用DFT来简化这个卷积的计算．通过对这种CBR检索算法进行了深入的理论分析和认真的实验，结果证明，提出的算法是一个高效的算法．在这个检索算法的基础上，CBR就能够席用到时序数据的分析推理中，具有广阔的应用前景．     

基于小波变换和ICA的运动目标分割

提出一种时空融合的运动目标分割方法.在时域方面,采用时间轴一维小波变换提取运动对象,然后用独立成分分析法提取独立的运动对象,并基于灰度直方图进一步提取视频对象;在空域方面,提出对轮廓提取后的图像进行分水岭变换的改进方法.与COST211 AM算法比较表明,文中方法能更完整、准确地提取出运动对象.     

基于超曲面的分类算法研究进展

综述了基于超曲面的分类算法，该算法通过区域合并计算获得多个超平面组成的双侧闭曲面作为分类超曲面对空间进行划分．分类超曲面可以有效地解决在有限连通区域分布很复杂的非线性数据多类分类问题，分析了算法准确率与极小样本集的关系，总结了已有成就和最新进展，指出了基于超曲面的分类算法进一步发展的方向．     

用擂台赛法则构造多目标Pareto最优解集的方法

针对多目标进化的特点,提出了用擂台赛法则(arena's principle,简称AP)构造多目标Pareto最优解集的方法,论证了构造方法的正确性,分析了其时间复杂度为O(rmN)(0＜m/N＜1).理论上,当AP与Deb的算法以及Jensen的算法比较时(它们的时间复杂度分别为O(rN²)和O(Nlog^(r-1)N)),AP优于Deb的算法;当目标数r较大时(如r≥5),AP优于Jensen的算法;此外,当m/N较小时(如m/N≤50%),AP的效率与其他两种算法比较具有优势.对比实验结果表明,AP具有比其他两种算法更好的CPU时间效率.在应用中,AP可以被集成到任何基于Pareto的MOEA中,并能在较大程度上提高MOEA的运行效率.