S2R2:基于相关性与冗余性分析的半监督特征选择

特征选择是模式识别与数据挖掘的关键问题之一,它可以移除数据集中的冗余和不相关特征以提升学习性能。基于最大相关最小冗余准则,提出一种新的基于相关性与冗余性分析的半监督特征选择方法(S2R2),S2R2方法独立于任何分类学习算法。该方法首先对无监督相关度信息度量进行分析与扩充,然后结合信息增益,设计一种半监督特征相关性与冗余性度量,可以有效识别与移除不相关和冗余特征,最后采用增量搜索技术贪婪地构建特征子集,避免搜索指数级大小的解空间,提高算法的运行效率。本文还提出S2R2方法的快速过滤版本,FS2R2,以更好地应对大规模特征选择问题。多个标准数据集上的实验结果表明了所提方法的有效性和优越性。     

XUML/ACME集成建模方法与VMI构架研究

以供应商管理库存（VMI）模型的软件开发为背景，研究扩展UML（XUML）与ACME的集成建模方法及其在构架设计中的应用问题。探讨了UML结构模型和行为模型的语义扩展，以增强其表达能力，并将其用于VMI构架设计；进而基于ACME的开放语义框架，给出可实现的VMI构架模板的描述；最后对XUML和ACME两种建模方法的互补与集成的价值做了基本评价。通过在VMI软件开发中的实际应用，证明该方法是可行的，并取得良好的效果。