采用重复剪辑近邻法提高决策树算法的性能

决策树算法易受训练样本集中噪声和混杂区域的影响，重复剪辑近邻法能消除样本集中符合某些先决条件的噪声，清除混杂区域中后验概率较小的类别所包含的样本，并在各类样本间形成符合Bayes分类准则的界线，用它对合适的训练样本集进行筛选，可在不损害分类准确率的同时明显地减小决策树的规模，有助于增强决策树的可理解性和可用性，从而提高决策树的性能。     

二叉决策树生成算法的VC维上界

在统计学习理论中，尤其对于分类问题，VC维扮演着中心作用。大多数常用算法的VC维未知。该文计算了二叉决策树生成算法的VC维上界，获得了定理2，认为该上界随决策树的复杂度和节点可调参数个数的增大而提高。作为补充，还计算了单变量决策树非叶子节点的VC维上界，获得了定理3。为了评估定理2的数值结果，通过实验验证了有关的经验结论，发现它们在决策树复杂度较大时能够与实际符合。比较定理2和经验结论发现两者存在较大的数值差别但是变化趋势相同。探讨了产生差别的原因以及定理对实际应用的指导意义。     

数据发掘在服装设计中的应用

本文根据一服装企业的实际数据采用数据发掘手段提取出一系列规则,用以描述颜色搭配与款式受欢迎间的规律。挖掘过程中主要采用了按模型聚类的方法,这一方法获得的聚类结果简单直观。对聚类结果采用约简等简单处理后可获得一组实用的颜色搭配规则。类似的数据发掘手段在服装设计各方面有广泛的应用前景。     

支持向量机及其他核函数算法在化学计量学中的应用

化学，化工领域中多数数据处理问题属于数学中的“不适定问题”（ill-posed problem)，而传统的化学计量算法如线性和非线性回归，人工神经网络等忽略了这一特点，将其作为“适定问题”（well-posed problem)求解，是引发数据处理中“过拟合”问题的重要原因，近年来新提出的“支持向量机算法”适合于处理不适窒问题，能限制过拟合，且因采用核函数算法，能有效处理非线性数据集，与当前化学化工中应用极广的人工神经网络相比，优越性明显，在化学化工中具有巨大的应用潜力。     

支持向量回归-吸光光度法同时测定溶液中的Pb,Cd,Zn

铅锌的湿法冶金实时监控需要同时快速测定溶液中的铅，镉，锌，因三者产生的吸收光谱严重重叠，故支持向量回归算法（support vector regression，简称SVR）作多变量标定，配合吸光光度法同时测定溶液中的Pb^2 ,Cd^2 ,Zn^2 ，并将计算结果与线性回归，人工神经网络的计算结果对比。结果表明SVR算法预报误差最小。这说明支持向量回归是一种多变量校正的有用算法。     

支持向量机算法在镍氢电池阴极材料研制中的应用

镍氢电池阴极材料的组成对电池的电化学容量和寿命关系甚大。本工作可限制过拟合，有较强预报能力的支持向量机算法进行镍氢电池阴极合金材料的配方优化，通过实验数据处理，建立了有关电化学容量和衰减速度的数学模型，留一法证实，支持向量机算法预报准确性高于人工神经网络。这说明支持向量机算法在材料配方设计方面有应用潜力。     

基于连续过松弛方法的支持向量回归算法

支持向量回归(support vector regression,简称SVR)训练算法需要解决在大规模样本条件下的凸二次规划(quadratic programming,简称QP)问题.尽管此种优化算法的机理已经有了较为明确的认识,但已有的支持向量回归训练算法仍较为复杂且收敛速度较慢.为解决这些问题.首先采用扩展方法使SVR与支撑向量机分类(SVC)具有相似的数学形式,并在此基础上针对大规模样本回归问题提出一种用于SVR的简化SOR(successive overrelaxation)算法.实验表明,这种新的回归训练方法在数据量较大时,相对其他训练方法有较快的收敛速度,特别适于在大规模样本条件下的回归训练算法设计.     

基于时序聚类的吹灰预测模型

在大型火电厂烧煤锅炉的运行过程中,受热面的积灰是降低锅炉运行效率和安全性的一个重要原因。目前,主要采用高压空气或者蒸汽把积灰吹掉。吹灰的困难在于确定应该何时吹灰,该文提出一种基于时序聚类的新方法,从经过预处理的锅炉历史数据中抽取出代表吹灰的模式,建立吹灰模型,用来预测吹灰时间。该方法在应用到一个900 MW的超临界锅炉上时,表现出较好的效果。     

一种基于纹理的牌照图像二值化方法

在车辆牌照识别系统中,为了方便字符识别,须将预处理部分切取下来的牌照灰度图像作二化自理皮便字符提取,由于原图像中字符的位置不确定且字符象素的灰度范围较大给二 带来了困难。本文提出了一咱基于纹理的二值化方法即道德至图像作纹理分析,然后采用模式识别技术中的最大最小准则获取二值化阈值进行二值化的有效方法。该方法也可适用地票据或文本图象的二值化。     

支撑向量机回归的简化SMO算法

统计学习理论中提出的支撑向量机回归(SVR)遵循了结构风险最小化原则，从而避免了一味追求经验风险最小化带来的弊端。采用扩展方法使SVR与支撑向量机分类(SVC)具有相似的数学形式，并在此基础上提出了一种用于SVR的简化SMO算法。与SVR现有的SMO算法相比，简化算法的数学形式简洁直观，在不增加算法空间和时间复杂度的前提下避免了大量繁复的判别条件，较大幅度地简化了算法实现，有利于SVR的广泛使用。