Learning model order from labeled and unlabeled data for partially supervised classification, with application to word sense disambiguation

Previous partially supervised classification methods can partition unlabeled data into positive examples and negative examples for a given class by learning from positive labeled examples and unlabeled examples, but they cannot further group the negative examples into meaningful clusters even if there are many different classes in the negative examples. Here we proposed an automatic method to obtain a natural partitioning of mixed data (labeled data + unlabeled data) by maximizing a stability criterion defined on classification results from an extended label propagation algorithm over all the possible values of model order (or the number of classes) in mixed data. Our experimental results on benchmark corpora for word sense disambiguation task indicate that this model order identification algorithm with the extended label propagation algorithm as the base classifier outperforms SVM, a one-class partially supervised classification algorithm, and the model order identification algorithm with semi-supervised k-means clustering as the base classifier when labeled data is incomplete.     

Towards Incremental Fuzzy Classifiers

Fuzzy classification systems (FCS) are traditionally built from observations (data points) in an off-line one shot-experiment. Once the learning phase is exhausted, the classifier is no more capable to learn further knowledge from new observations nor is it able to update itself in the future. This paper investigates the problem of incremental learning in the context of FCS. It shows how, in contrast to off-line or batch learning, incremental learning infers knowledge in the form of fuzzy rules from data that evolves over time. To accommodate incremental learning, appropriate mechanisms are applied in all steps of the FCS construction: (1) Incremental supervised clustering to generate granules in a progressive manner, (2) Systematic and automatic update of fuzzy partitions, (3) Incremental feature selection using an incremental version of Fisher’s interclass separability criterion. The effect of incrementality on various aspects is demonstrated via a numerical evaluation.     

网络处理器负载均衡算法综述

本文针对网络处理器中多个处理单元的负载均衡方法展开了讨论,详细介绍了多种负载均衡方法,给出了网络处理器负载均衡的特点和性能度量标准,提出了该领域进一步研究方向和基本思路.对同类研究有一定的帮助.     

基于新型的竞争型神经网络的Web日志挖掘

提出了一种基于竞争的自激励神经网络学习算法SIN，该算法综合了自适应谐振理论和竞争型神经网络的特点，并在隐含层采用了Hebb学习规则，既能保证原有记忆不受影响，又能对新的信息加以记忆，同时又克服了ART网络对噪音敏感的缺点，学习速度快，分类性能好，具有在线学习的功能．将该算法应用于Web日志挖掘能够有效地剔除噪音，得到很好的用户聚类和页面聚类的结果，为网站的管理者设计个性化的商务网站提供了有效的决策依据．     

基于改进的几何散列表的形状检索方法

文中介绍了一个基于内容的图像检索系统的设计和实现,它利用改进的几何散列技术能够获得快速而且准确的相似形状检索。系统包括四个主要部分:特征获取模块,查询管理模块,搜索引擎和一个散列表。特征信息收藏在散列表中,查询管理器接收用户的查询并从查询图像中提取出轮廓。特征获取模块对图像轮廓进行变换和量化,形成散列表的入口。给定一个视觉查询,查询代理通过使用多数投票算法对散列表进行搜索,得到一个形状具有潜在相似性的图像表。大量的实验表明该算法提供了一个可行的并且实用的相似性形状检索方法。     

多层组合分类器研究

为了提高监督分类的精度，本文从组合分类器的结构出发，提出一种横向多层组合模型，并对这种模型的运行方式与组合特性进行分析。该模型每层含有一个分类器，每个分类器的输入和输出一起作为其后面一层的输入。我们将简单贝叶斯法与BP神经网络组合成两层分类器。实验结果表明，这种组合方式有效地提高了单个方法的分类精度。     

面向传统服饰的细粒度跨模态检索算法

目的 由于跨模态数据集有限和模态异构表征问题,利用跨模态检索算法解决实际应用问题一直是当前多模态研究中的一大研究方向.方法 提出了一种面向传统服饰的细粒度跨模态检索算法,解决传统服饰跨模态检索的单模态表征和跨模态表征一致的问题.在单模态特征表征方面,沿用DCMH使用深度学习的方法对初始数据进行特征提取;在跨模态表征一致方面,新增自监督语义网络,以自监督的方式对应标签信息提取细粒度信息,并将其用于图文哈希学习的监督,从而得到更好的图文哈希表征.通过在传统服饰数据集上与其他方法进行对比实验,验证算法的有效性.结论 有关此方面的应用探索,有利于解决互联网时代中国传统服饰文本、图像处理等的保护性难题,为未来纹样检索中的工作做铺垫,实现中国传统服饰的创新性传承和发展.     

离散型模糊系统的稳定线性监督控制设计

在对现有的T-S型模糊系统的稳定性结果进行 分析的基础上,研究了状态空间形式下离散型模糊系统在子空间上的线性分解,基于该线性 分解设计一线性监督控制器使模糊闭环系统稳定,从而用简单的线性系统理论完成了对复杂 非线性系统的控制．仿真结果证明了该线性监督控制器的有效性．     

一种基于区块链可验证的加密图像检索方案

由于难以构造通用的认证结构对图像类型数据的相似度计算过程进行验证,因此对加密图像检索结果的验证面临很大挑战。同时,现有多数加密图像检索方案没有考虑恶意云服务器的问题,可能返回不正确或不完整的检索结果。利用区块链技术的去中心化、不可篡改等特性,提出一种基于区块链可验证的加密图像检索方案BVEIR,确保搜索结果的可靠性与搜索过程的透明性。将加密索引存储在区块链（以太坊）上,通过区块链的共识机制保证在智能合约上完成搜索的功能,确保搜索结果完备性,同时将相应的加密图像数据外包到云服务器以降低存储成本,并在相似图片索引过程中使用基于视觉词袋模型和simhash的双层索引结构,进一步提高检索效率和精度。实验结果表明,BVEIR具有良好的隐私保护效果,其建立索引时间较SEIR方案更少,并且可实现对图像数据的细粒度访问控制,在提高索引效率的同时保证图像检索的精确率。     

基于深度学习的监督型典型相关分析

典型相关分析（CCA）是利用综合变量对之间的相关关系反映两组指标之间整体相关性的多元统计方法。传统的CCA方法无法有效利用样本的标签信息,导致准确率降低。将类信息融入到深度学习与CCA相结合的深度典型相关分析中,提出一种监督型降维方法DL-SCCA,用于处理带标签的非线性可分数据。在2个独立的深度神经网络（DNN）结构上,增加1个公共的输出维数与数据集类别数相同的全连接层,并且以softmax函数作为该层的激活函数,输出带有概率意义的编码向量。在此基础上,利用全连接输出与样本标签信息之间的交叉熵对DNN进行训练,获得分类性能较优的低维特征。实验结果表明,该方法采用最近邻分类器和网络本身结构得到的分类准确率分别为98.00%和97.82%,相比CCA、DisCCA、DCCA等方法,能够有效利用样本的标签信息,并且具有较优的分类性能。