基于人脸图像的二阶段性别分类算法

许多现实场景要求准确的脸部性别识别。深度卷积神经网络在正常状况下取得好的准确率,适用于大规模分类任务,但存在模型可解释性差、易丢失细节信息等问题,并且光照、姿势、表情等因素带来的不确定性会导致分类准确率较低。提出一种基于阴影集的二级分类模型。采用深度卷积神经网络对大规模图像集进行一阶段分类;结合阴影集理论,将图像分类结果划分为接收域、拒绝域和不确定域,得到不确定的脸部图像集,用传统方法进行二阶段分类。在LFW数据集和Adience数据集下,与现有先进算法相比,所提方法能有效地提高总体分类的准确率。     

基于变精度粗糙集的KNN分类改进算法

传统KNN算法具有简单、稳定和高效的特点,在实际领域得到广泛应用。但算法的时间复杂度与样本规模成正比,大规模或高维数据会降低KNN分类效率。文中通过引入变精度粗糙集模型,提出一种改进的KNN分类算法。算法运用变精度粗糙集上下近似概念,将各类训练样本划分为核心和边界区域,分类过程计算新样本与各类的近似程度,获取新样本的归属区域,减小分类代价,增强算法的鲁棒性。实验表明,与传统KNN算法相比,文中算法保持较高的分类精度并有效提高分类效率,具有一定的理论与实际价值。     

基于知识划分粒度的信息系统约简算法

粗糙集理论认为知识就是分类。对知识的分类能力给予了量化,提出利用知识的划分粒度来定量地表示知识的分类能力。首先建立了知识与其划分粒度间的关系;其次,基于划分粒度定义了属性的重要性,并以此为启发式信息设计了一个信息系统的约简算法;最后通过实例表明,该算法是高效的。     

粒度计算研究综述

粒度计算GrC（Granular Computing）是信息处理的一种新的概念和计算范式,覆盖了所有有关粒度的理论、方法、技术和工具的研究.它是词计算理论、粗糙集理论、商空间理论、区间计算等的超集,也是软计算科学的一个分支,已成为模糊的、不完整的、不精确的及海量的信息处理的重要工具和人工智能研究领域的热点之一.本文综述了粒度计算的发展动机、研究现状及发展趋势,着重介绍了粒度计算的主要理论模型与方法及其在不同领域的应用,对存在的问题进行了分析,并提出了进一步研究的方向.     

基于三支决策的蚁群聚类算法

针对蚁群聚类算法在蚂蚁之间缺少信息交互导致误识别率高和蚂蚁单独移动带来的资源浪费的问题,本文将三支决策思想融入蚁群聚类算法来改进其性能.通过蚂蚁激活机制、微簇生成机制将待聚类的蚂蚁“一分为三”,区分为已激活的单个蚂蚁、未激活的单个蚂蚁和蚂蚁微簇.再使用精英蚂蚁机制、二次验证机制,遴选相似度达到一定阈值的微簇,形成聚类正域,并赋予精英蚂蚁更高的优先级和固定的平面位置,最后利用不同正域间的信息熵值为属性加权,引导边界域中蚂蚁向着更相似且优先级更高的蚂蚁方向移动.实验结果表明,本文所提出的算法不仅提升了蚁群聚类的质量,还具有良好的时间效率.     

决策树剪枝算法的研究与改进

Failure-node prune(FNP)剪枝算法是在深入分析和研究人工智能机器学习中ID3算法的基础上,提出的一种新的剪枝算法。通过采用CMU的4个具有典型特征的数据库对ID3算法、Expected-error prune剪枝算法和Failure-node prune剪枝算法进行实验对比分析,结果表明,Failure-node prune剪枝算法对于不完整的、不确定的、规模大的数据集有更好的剪枝效果．具有一定的应用价值。     

实验教学中注重过程的认识与实践——同济大学-飞思卡尔微控制器教学联合实验室建设与实践的思考

同济大学-飞思卡尔微控制器教学联合实验室是飞思卡尔公司捐赠微控制器开发设备,同济大学配套相关设备的联合教学实验室。以本科教学为主,应用项目开发为辅,注重应用,注重技能,在教学实验中强调过程教学与层次特点,对过程教学的理论进行了一定的分析和实践,并对具体的实施方法进行了说明。该文对此展开了讨论,提出了注重过程、分层次展开、以系统应用为目标的专业基础实验模式。     

基于广义自适应多粒度的多源信息融合研究

多粒度粗糙集模型是一种有效的信息融合策略。利用该策略能从多个角度将多源信息进行融合,并转化成一致的信息表示。现有的大多数多粒度信息融合方法对每个知识粒度都采用相同的阈值,然而,众所周知,不同的信息源的来源和噪声都不尽相同,其对应的知识粒度的阈值也应不同。为此,首先在广义多粒度粗糙集中引入单参数决策理论粗糙集,提出了广义自适应多粒度粗糙集模型。然后,利用经典的融合策略设计了4种广义多粒度模型,所有模型都可以通过一个参数补偿系数$ \zeta $来自适应地获得知识粒度对应的阈值对,并讨论了这些模型的相关性质。最后,通过实验结果证明,所提模型在实际应用中灵活性更高,决策更为合理。     

分体策略在差别矩阵优化中的应用

在研究现有差别矩阵的基础上,提出了基于分体策略的差别矩阵算法,修正了Skowron差别矩阵方法的不足.与其它改进的差别矩阵算法相比,该算法更简洁、易懂,且在一定程度上降低了算法的复杂度,提高了算法的效率,在实际问题求解中有一定的应用价值.     

一种基于Close模式发现用户频繁访问路径的方法

Web日志挖掘的一个主要任务是获得用户的浏览模式，这对Web站点的改进和为用户提供个性化服务提供了非常有价值的潜在信息。该文在分析用户访问模式的特点后，提出了Close模式的概念，基于此概念提出了一种挖掘用户频繁访问模式的Close算法。该算法利用频繁访问模式的封闭特性，挖掘出既是频繁的又是封闭的访问模式，在一定程度上减少了下一阶段“寻找最大频繁访问模式”的工作量。用实际数据对算法的性能进行了验证和分析。