基于场论的聚类算法

传统经典的欧几里得距离、曼哈坦距离、明考斯基距离不能很好地描述对象间固有的差异,使得在聚类过程中不能很好地区分对象,在此借用相对论中质量--速率公式提出了一种新的相异度的度量方法,结合场论提出了一个新的聚类算法.通过把每个对象看作一个场源,每个场源通过两个不同的参数进行描述,最后通过每个场源对类中心的作用进行聚类.实验结果表明,该方法能有效改善聚类效果.     

不平衡数据集的神经网络阈值优化方法

不平衡数据集分类为机器学习热点研究问题之一,近年来研究人员提出很多理论和算法以改进传统分类技术在不平衡数据集上的性能,其中用阈值判定标准确定神经网络中的阈值是重要的方法之一。常用的阈值判定标准存在一定缺点,如不能使少数类及多数类分类精度同时取得最好、过于偏好多数类的精度等。为此提出一种新的阈值判定标准,依据该标准能够使少数类及多数类分类精度同时取得最好而不受样例类别比例的影响。以神经网络与遗传算法相结合训练分类器,作为阈值选择条件和分类器的评价标准,新标准能够得到较好的结果。     

用于不均衡数据集分类的KNN算法

针对KNN在处理不均衡数据集时,少数类分类精度不高的问题,提出了一种改进的算法G-KNN。该算法对少数类样本使用交叉算子和变异算子生成部分新的少数类样本,若新生成的少数类样本到父代样本的欧几里德距离小于父代少数类之间的最大距离,则认为是有效样本,并把这类样本加入到下轮产生少数类的过程中。在UCI数据集上进行测试,实验结果表明,该方法与KNN算法中应用随机抽样相比,在提高少数类的分类精度方面取得了较好的效果。     

基于I2C距离和标记相关性的多标记场景分类

将改进的ML-I2C与基于标记相关性的方法结合,提出一种改进的多标记场景分类方法。首先提取所有图像的SURF特征,将每个类用一个特征集来表示;然后采用改进的I2C方法来计算待测图像与已知类之间的距离,根据距离进行标记排序;最后根据排序,利用标记相关性来预测待测图像的所有可能标记。实验结果表明,该方法对多标记场景分类的准确率较高。     

一种新的基于半监督的多标记学习算法

多标记学习中通常存在大量未标记示例,本研究结合协同训练(Co-training)方法充分利用数据集中的未标记示例,在数据集上选取局部k NN(k nearest neighbor)和全局k NN进行训练得到两个分类器,分类器分别标记未标记示例并相互更新训练集。协同训练过程不断迭代进行,直至训练完成。试验结果表明,该方法性能均优于其他多标记学习算法。     

论陶瓷装饰艺术的历史沿革与创新发展

正陶瓷装饰艺术从新石器时代制陶开始,时至今日,经历从无到有、从单色到多彩、从技巧的单一性到综合装饰,逐渐成为艺术领域中的一朵奇葩迸发出勃勃生机。让我们以时间为序,试着了解陶瓷装饰艺术的历史沿革和发展变迁。新石器时代其一用砾石或骨器在陶器表面压磨,使表面发亮,称为磨光;其二用泥浆施加于陶器表面,烧好以后表面就附着一层"陶衣",也叫"色衣";其三纹饰,有压印、拍印、刻划、彩绘(彩陶)、附加堆     

基于SVM的信息系统风险动态识别和评估

风险识别和评估为信息系统的安全决策提供有力的支持工具。信息系统的动态性和复杂性决定了风险识别及评估的难度,本文利用SVM在小样本分类的优越性来适应信息系统的动态性和复杂性特点,实现对动态风险的有效识别。定义了风险因素形式化描述,提出了复杂风险的评估量化模型。通过实际应用验证了在风险识别及评估方面的有效性。风险识别和评估为信息系统的安全决策提供有力的支持工具。信息系统的动态性和复杂性决定了风险识别及评估的难度,本文利用SVM在小样本分类的优越性来适应信息系统的动态性和复杂性特点,实现对动态风险的有效识别。定义了风险因素形式化描述,提出了复杂风险的评估量化模型。通过实际应用验证了在风险识别及评估方面的有效性。     

基于Bagging的聚类集成方法

提出一种基于Bagging的集成聚类方法,采用一种新的数据集采样技术生成数据子集,尽可能的保持了子样本的多样性和最大相关性,然后应用一种改进的k均值聚类算法生成个体学习器,根据互信息对数据集的不同聚类结果进行处理,最后通过计算有争议的数据对象与各个聚类中心的距离将其重新划分到新的聚类结果中.在多个UCI标准数据集上的实验结果表明,该方法能有效改善聚类质量.     

关联规则中频繁项集高效挖掘的研究

针对Apriori时间性能较低的缺陷,结合二项集支持度矩阵提出了Apriori改进算法Apriori-M。在扫描数据库时生成一个二项集支持度矩阵,利用矩阵的性质提高了连接和剪枝的效率;通过第二次扫描数据库就能正确地获取所有的频繁项集,并很好地解决了Apriori生成无效二项集的问题。实验结果表明Apriori-M的性能优于Apriori。