基于SVM的二次下降有效集算法

针对现有的有效集方法应用到支持向量机(support vector machine,SVM)优化问题时收敛速度较慢的问题,提出了一种基于二次下降法和推测赋值法的有效集算法.该算法在每次迭代过程中利用映射因子将迭代向量值限制在优化问题的不等式约束中,并通过调整步长使目标优化问题的函数值较传统的有效集算法进一步下降.由于函...     

无偏置ν-SVM分类优化问题研究

在高维空间中,分类超平面倾向于通过原点,即不需要偏置(b)。为了研究在ν-SVM分类问题中是否需要b,该文提出了无(b)的ν-SVM的对偶优化问题并给出了其优化问题求解方法。该方法通过有效集策略将对偶优化问题转化为等式约束子优化问题,然后通过拉格朗日乘子法将子优化问题转化为线程方程组来求解。实验表明偏置(b)的存在会降低ν-SVM的泛化性能,ν-SVM只能得到无(b)ν-SVM的次优解。     

无偏置v- 支持向量回归优化问题研究

在高维特征空间中,具有支持向量机形式的学习机的决策超平面倾向于通过原点,并不需要偏置.但在-支持向量回归机（ν-SVR）中存在偏置,为了研究偏置在ν-SVR中的作用,提出了无偏置的ν-SVR优化问题并给出其求解方法.在标准数据集上的实验表明,无偏置ν-SVR的泛化性能好于ν-SVR.根据对偶优化问题的解空间分析,偏置不应包含在-SVR优化问题中,ν-SVR的决策超平面在高维特征空间中应通过原点.     

BWT Boyer Moore压缩域搜索算法的研究*

针对BoyerMoore匹配算法对压缩文本文件搜索的不足,分析了当前对于压缩文件搜索的主要方法,提出了一种基于BW转换的高效的搜索算法并予以验证。     

偏置b对支持向量机分类问题泛化性能的影响

Poggio指出支持向量机(Support vector machine,SVM)中偏置b项是为了保证核函数的正定性,当使用的核函数为正定核时,b就不需要存在.为了验证b对SVM分类问题泛化性能的影响,研究了无bSVM的优化问题并给出了相应的有效集求解算法.通过XOR分类问题的实验研究得出约束条件 ∑1Nyiαi= 0 会影响SVM得到最佳分类超平面.实验中的基准数据集包括了中小数据集、大规模数据集、高维数据集和多类分类数据集,并使用高斯正定核和多项式正定核作为核函数.基于26个标准数据集的实验表明无bSVM在分类问题中的计算代价要低于SVM,泛化性能要好于SVM.参数敏感性测试表明无bSVM对代价参数变化不太敏感,这使得无bSVM能在较少的参数值对中得到最佳测试精度.     

基于插件的条件匹配过滤方法

针对现有信息分发软件中条件匹配过滤功能模块与主程序紧密耦合,导致其可扩展性与灵活性较差的问题,提出一种基于插件的条件匹配过滤方法。首先定义插件接口、订阅条件,然后通过设计的调用规范将插件集成于信息分发软件中。该方法利用软件功能模块的解耦,可以有效提高信息分发软件的灵活性和功能可扩展性,从而增强其健壮性。     

C4ISR系统概念模型元素研究

概念模型是C4ISR系统建模过程中的一个重要环节,目前C4ISR系统概念模型的研究对模型元素的描述不够细化.由此将C4ISR概念模型的5个核心元素扩展为14个元素,并分析了它们的特性,包括属性、特征等要素.给出了从规范化文档中抽取模型元素的方法,实例表明该方法是可行的.     

无偏置v-SVM分类优化问题研究

在高维空间中,分类超平面倾向于通过原点,即不需要偏置(b).为了研究在v- SVM分类问题中是否需要b,该文提出了无(b)的v-SVM的对偶优化问题并给出了其优化问题求解方法.该方法通过有效集策略将对偶优化问题转化为等式约束子优化问题,然后通过拉格朗日乘子法将子优化问题转化为线程方程组来求解.实验表明偏置(b)的存在会...     

基于贝叶斯网络的计划评审技术

进度、质量是软件项目管理的重要内容,计划评审技术(PERT)在安排软件项目进度计划时仅考虑了时间因素,质量作为衡量项目成功的重要因素,在进度安排过程中没有涉及到。为了在进度安排过程中考虑到质量因素的影响,本文章提出了基于贝叶斯网络的计划评审技术,并且将其应用于实际的开发过程中,取得了很好的效果。     

无偏置支持向量回归优化问题

为了研究偏置对支持向量回归(support vector regression,简称SVR)问题泛化性能的影响,首先提出了无偏置SVR(NBSVR)的优化问题及其对偶问题.推导出了NBSVR优化问题全局最优解的必要条件,然后证明了SVR的对偶问题只能得到NBSVR对偶问题的次优解.同时提出了NBSVR的有效集求解算法,并证明了它是线性收敛的.基于21个标准数据集的实验结果表明,在对偶问题解空间上,有偏置支持向量回归算法只能得到无偏置支持向量回归算法的次优解,NBSVR的均方根误差要低于SVR.NBSVR的训练时间不仅低于SVR,而且对核参数变化不太敏感.