基于支持向量机的粗糙分类器

支持向量机和粗糙集理论是两种分类技术.前者寻求最大化两类间隔的最优分类超平面,后者用逻辑规则解释分类.基于两者的关系,提出了一种复合算法,且将其推广到回归.新算法在一定程度降低了计算复杂度,且适用于软间隔分类.数值实验表明新算法是有效可行的.     

一种提高分类精度的支持向量机NDR-SVM

提出基于近邻域比率的支持向量机NDR-SVM.该算法对每个训练样本构造一个近邻域,在此邻域中计算与中心同类的样本占邻域中总样本的比率;根据比率与剔除闲值的大小关系决定邻域中心的取舍,并将所保留的样本带入SVM分类.通过修剪训练集,该算法减弱了噪声对SVM泛化能力的影响.实验结果表明,与已有算法相比,NDR-SVM具有更高的分类精度,大大提高了训练速度.     

空间支持向量域分类器

构造了一种空间支持向量域分类器(SSVDC)．在训练阶段分别对正负两类样本进行支持向量域描述,根据描述边界将数据空间划分为互不相交区域,并设定相应的分类准则．在测试阶段,分别计算待识别样本与两个最小包围超球球心的距离,根据其与超球半径的大小关系确定待识别样本所处区域,并采取相应分类准则完成分类．UCI数据集上的多个数值实验表明,与支持向量机(SVM),支持向量域分类器(SVDC)相比,SSVDC具有好的鲁棒性,训练时间可缩短为SVM的20.6％,分类精度比SVDC提高45.9％．     

一种约减支持向量域描述算法RSVDD

为加快支持向量域描述(SVDD)的训练速度,提出基于约减集的约简支持向量域描述算法RSVDD．由于描述边界仅由支持向量决定,且支持向量多分布在描述边缘附近,该算法采用每个样本到中心的距离作为支持向量的一种可能性度量,选取距离较大的部分样本作为约减集参与SVDD训练．人造数据和基准集数据上的仿真实验表明了RSVDD的有效性和优越性,保证了目标类和奇异值类的分类精度,缩减了训练规模和训练时间．     

聚类分片双支持向量域分类器

针对支持向量域分类器对大规模样本集的训练时间长且占用内存大的问题,构造聚类分片双支持向量域分类器。以均值聚类剖分原始空间,并选取密度指标大的样本作为初始聚类中心;对子空间构造双支持向量域分类器,根据样本与正负类最小包围超球的距离构造分段决策函数;定义样本的变尺度距离,以链接规则组合子空间的分类结果。数值实验表明,所提出算法的分类精度高且受参数变化的影响不大,分类时间短且随子空间数的增加而降低。     

基于支持向量数据描述的闭合超球面机

为提高支持向量数据描述的训练精度,提出一种闭合超球面机.在训练阶段利用目标类样本构造最小包围超球,利用非目标类样本调整描述边界;在测试阶段计算待测样本与最小包围超球球心的距离,根据其与超球半径的大小关系设计分类规则.不同规模和不同平衡度的数据集上的仿真结果表明,该算法分类精度高,训练时间短,将支持向量机和光滑支持向量机的运行时间降低为原来的17.17％和29.06％,将支持向量数据描述分类器的精度提高12.98％且具有较好的鲁棒性.     

基于非亚采样Contourlet和SWT的多光谱图像和全色图像的融合算法

该文研究了多尺度几何分析工具非亚采样Contourlet变换(NSCT),提出一种新的全色图像和多光谱图像融合的方法。该方法首先对全色图像和进行过IHS变换的多光谱图像的亮度分量进行NSCT变换,对于二者的低频近似系数再进行平稳小波变换(SWT)并融合,进一步提高融合图像的空间信息量,对于高频细节系数,采用基于局部平均梯度的方法进行融合,经过逆NSCT得到融合图像。实验结果表明,该文提出的方法在保留多光谱图像的光谱信息的同时,增强了融合图像的空间细节表现能力,提高了信息量,并且优于传统的基于IHS变换、小波变换、双树复小波变换及Contourlet变换的融合方法,该方法是有效可行的。     

“课程思政”与新时代《高等数学》教育的融合路径

<正>互联网、云计算、大数据、人工智能等信息技术的发展和广泛应用，推动人类社会进入新时代信息化时代或称数字经济时代。新时代的基本生产资料是大数据，解读大数据和应用大数据是新时代的任务和机遇。新时代数学的作用呈现大统一发展，研究内涵快速扩展、交叉融合，作用技术化和向数据科学演进的趋势；