基于改进Pinball损失的支持向量机

支持向量机（SVM）能够利用少量的支持向量实现高精度分类,但模型受噪声数据影响大,为提高支持向量机模型的分类精度,在Pin-SVM的基础上,提出Epin-SVM。该模型利用指数型函数修改了Pinball损失函数,使用损失函数的思想构造支持向量机模型以提高模型分类精度。在UCI数据集上进行实验,实验结果表明改进后的模型分类精度相较于Pin-SVM提升2%左右,证明Epin-SVM能够有效地提高模型的分类精度。     

河流分类的模糊聚类分析

本文将模糊聚类最大矩阵元原理与基于数据迭代为基础的模糊ISODATA聚类迭代原理相结合 ,形成模糊综合聚类迭代法。并利用此方法对辽西沿海诸河流域进行了分类评价 ,得出了令人满意的结果。     

基于卡方方法及对称不确定性的网络流量特征选择方法

对网络流量数据进行分类时,由于网络流量具有多个类别,并且各类样本数量不均衡,故在利用机器学习进行分类时,会导致分类的模型的性能降低,致使样本被误分为样本数量多的类别,进而致使样本数量较少的类别(小类别)的召回率过低。针对该问题,提出一种基于卡方方法及对称不确定性网络流量特征选择方法。该方法首先计算特征与类之间的加权卡方值,选择卡方值较大的特征组成候选特征子集,然后根据特征与所有类之间的对称不确定性进一步筛选特征集。在Moore网络流量数据集上进行实验,得到的实验结果证明,通过该方法选择的特征对网络流量数据进行分类,在保证准确率高的前提下也得到了较高的小类召回率,减轻了数据不均衡问题带来的不良影响。     

多目标进化算法综述

多目标进化算法已经成为解决多目标优化问题的主要方法之一。本文详细介绍了经典的多目标进化算法,并分析了各种算法所采取的策略,给出了各个算法优缺点分析。讨论了多目标进化算法的应用。     

求解双层多目标规划问题的一种方法

本文对双层多目标规划问题的数学模型给出一种新的解决方法,利用带满意度的ε-约束法和Kuhn-Tucker条件把双层多目标规划问题转化为单层单目标约束规划问题,当此约束集为紧集时,采用带权极大模理想点法求解此问题的弱有效解,通过分析人与决策人之间的交互,采用逐步宽容约束法检验此解的满意性。     

离散随机Lotka-Volterra竞争系统参数的渐近性

Lotka-Volterra竞争系统是著名的人口动力系统模型之一。本文主要研究两种群Lotka-Volterra竞争系统。考虑到在实际中Lotka-Volterra竞争系统还受环境白噪声的影响,特别地,只需对白噪声的强度一个简单假设,就使得随机Lot-ka-Volterra模型的解随机最终有界。那么不同形式的环境白噪声是否会导致不同的结果,白噪声的出现是否会影响已有结论,并进行了研究。本文先对系统做变量替换,再通过重对数定律讨论了具有随机扰动的一个两种离散随机Lotka-Volter-ra竞争系统的参数的渐近性,主要结果以定理3给出。     

河流分类的模糊聚类分析

本文将模糊聚类最大矩阵元原理与基于数据迭代为基础的模糊ISODATA聚类迭代原理相结合,形成模糊综合聚类迭代法。并利用此方法对辽西沿海诸河流域进行了分类评价,得出了令人满意的结果。     

改进禁忌搜索算法求解CVRP问题

改进了禁忌搜索算法,用于解决带有容量限制的车辆路径问题(C V R P).该算法在标准禁忌搜索算法的基础上,采用了I&D搜索策略,给出了两种作用于局部最优解的变异算子来扩大搜索区域,并设计了一种CVRP问题的初始解的产生方式.改进后的算法克服了标准禁忌搜索算法对初始解的依赖较强的缺陷,减小了算法在搜索过程中陷入局部最优的可能,提高了算法的搜索质量与效率.     

一种修正学习率的梯度下降算法

近年来,随着神经网络的广泛应用,梯度下降算法成为神经网络调整参数的核心优化算法。随着SGDM、AdaGrad、RMPprop、Adam等算法被提出,神经网络的性能有了极大的提升。为改善Adam算法由极端学习率引起的泛化能力较差问题,利用梯度的指数加权平均对Adam算法中学习率进行修正,提出了MonAdam算法。通过在线学习框架,说明MonAdam算法具有O(√T)的遗憾界。经过大量实验在多种非凸函数和深度神经网络模型中将MonAdam算法与其他算法进行对比,结果表明该算法收敛性较好。     

DE-LSSVM网络流量多分类方法

支持向量机对网络流量进行分类时,支持向量机参数易导致分类模型的性能下降,分类精度低下等问题。针对该问题,提出一种改进差分优化算法与最小二乘支持向量机多分类器结合的方法,该模型采用具有自适应算子的DE算法作为优化方法,以LSSVM作为分类方法,交替进行,最终使分类结果最好。实验结果证明,该模型在网络流量多分类中,具有较低的均方根误差和更高的F1指数。