基于依存句法分析与分类器融合的触发词抽取方法

事件检测与分类是事件抽取的关键环节,触发词抽取是完成事件检测与分类的主流方法。提出了一种事件触发词抽取方法,该方法针对单一触发词抽取方法没有充分利用依存句法分析信息且召回率不高的问题,通过综合利用依存句法分析信息和其他信息抽取触发词-实体描述对的方法来提高触发词抽取的召回率,然后将触发词-实体描述对抽取结果与单一触发词抽取结果相融合以避免召回率提高所带来的准确率下降问题。在ACE2005中文语料上进行实验,该方法在事件检测与分类任务中取得较好效果,F值分别达到了69.0%和66.2%。     

融合NBC与PNN的网络异常分类

对网络异常进行分类有利于管理员更好地管理网络,然而单一的分类器存在对各类异常的分类效果不均衡,不够全面等问题。鉴于此在研究了常用于分类的概率神经网络（Probability Neural Network,PNN）算法和朴素贝叶斯分类器（Naive Bayes Classifier,NBC）算法的基础上提出了一种融合NBC与PNN的网络异常分类模型。该模型将PNN与NBC对各类网络异常的分类精度作为权值,通过计算得出未知流量所属各类别的概率,最大值为预测结果,通过KDD99数据集对该模型进行测试,实验结果表明,提出的新模型相对于仅使用PNN或者NBC的单分类器,其对各类异常的分类效果具有更好的均衡性和更高的分类精度。     

产生式与判别式线性混合分类器

产生式方法和判别式方法是解决分类问题的两种不同框架,具有各自的优势。为利用两种方法各自的优势,文中提出一种产生式与判别式线性混合分类模型,并设计一种基于遗传算法的产生式与判别式线性混合分类模型的学习算法。该算法将线性混合分类器混合参数的学习看作一个最优化问题,以两个基分类器对每个训练数据的后验概率值为数据依据,用遗传算法找出线性混合分类器混合参数的最优值。实验结果表明,在大多数数据集上,产生式与判别式线性混合分类器的分类准确率优于或近似于它的两个基分类器中的优者。     

基于半监督学习的数据流集成分类算法

已有的数据流分类算法多采用有监督学习,需要使用大量已标记数据训练分类器,而获取已标记数据的成本很高,算法缺乏实用性。针对此问题,文中提出基于半监督学习的集成分类算法SEClass,能利用少量已标记数据和大量未标记数据,训练和更新集成分类器,并使用多数投票方式对测试数据进行分类。实验结果表明,使用同样数量的已标记训练数据,SEClass算法与最新的有监督集成分类算法相比,其准确率平均高5。33%。且运算时间随属性维度和类标签数量的增加呈线性增长,能够适用于高维、高速数据流分类问题。     

一种自适应最大拒绝鉴别分析及其鉴别矢量集

针对 MRC-Boosting方法中的弱分类器二值化以及鉴别矢量不正交等问题,提出一种自适应最大拒绝鉴别分析(AdaMRDA),进一步提高分类性能。通过已抽取的鉴别特征到期望中心的距离,设计一种自适应权重调整方法,使得后面得到的鉴别矢量更加有利于分类,并且给出最佳正交鉴别矢量集的求解方程。最后,通过在2个数据库上的实验证明,AdaMRDA方法在分类性能上明显优于MRC-Boosting方法及相关方法。     

基于模拟退火遗传算法的模糊分类器参数优化及其应用

该文从结构和算法上研究了Max-Min模糊神经网络(MMNN),找出了其固有的局限性,相应提出了一系列的改进措施形成改进MMNN算法。为了更好地提高网络的性能,同时考虑到优化算法的收敛速度,本文提出了基于模拟退火遗传算法的网络参数优化方法,通过计算机仿真,证明了该方法是可行的。最后,运用它作为分类器对实际的船舶辐射噪声进行了分类实验,与BP等算法进行了比较,显示出其独特的优越性。     

雷达高分辨距离像分类器的参数自适应学习算法

雷达高分辨率距离像具有目标姿态敏感性的特点,在识别时的一种解决方法是对目标不同角域建立不同的统计模型。在给定系统参数条件下,选择目标划分角域个数及每个角域覆盖范围是影响识别器运算量及识别性能的关键。该文给出了一种基于数据的自适应学习上述分类器参数的算法,基于联合高斯分布的数据模型通过迭代算法来确定数据划分边界,并自动确定目标角域个数。与等间隔数据划分方法相比,本文方法在降低识别运算量的同时,可以提高识别性能。基于实测数据的实验结果表明该方法是有效的。     

分级过程中混杂模型的研究

本文探讨了分级过程的分级机理,指也混杂作用是影响分级性能的主要因素。在此基础上,提出了混杂模型的结构,引出了“混杂指数”和“极限混杂数”的基本概念。通过分级条件试验,对模型参数进行了优化估计。利用逐步回归分析的方法建立了摸型参敏的回归方程。从而揭示出不同分级条件对分级特性的影响规律,为指导工业生产实践提供了理论依据。     

GRMP协议中Classifier动态加载的实现

介绍了通用路由器管理协议GRMP（General Router Management Protocol）和GRMP控制结构。通过对规则的描述方法、分类算法、Linux下的模块机制和软中断等技术细节的深入分析,详细阐述了GRMP协议中Classifier(分类器)在Linux下动态加载的实现过程。     

Classifier shared deep network with multi-hierarchy loss for low resolution face recognition

Face images in real Closed-Circuit Television (CCTV) are usually with low resolution, which remarkably deteriorates the performance of existing face recognition algorithms and hinders the application of face recognition. The main technical focus of this issue, matching between high-resolution (HR) and low-resolution (LR) face images has attracted significant attention. In order to better address this problem, we propose a Classifier Shared Deep Network with Multi-Hierarchy Loss (CS-MHL-Net) for low-resolution face recognition (LRFR) in this paper. Firstly, considering that contrastive loss and its variants are not conducive to the convergence of network and the reduction of discrepancy, a shared classifier between HR and LR face images is proposed to further narrow the domain gap between HR and LR by sharing the corresponding weights which can be seen as the class center. Secondly, to fully exploit intermediate features and loss constraints, we embed multi-hierarchy loss into intermediate layers, with the target of reducing the distances between HR and LR intermediate features after max pooling and avoiding the decreasing of accuracy caused by over-utilization of intermediate features. Experimental results on LFW and SCface demonstrate the effectiveness and superiority of the proposed method.