一种基于Vague-Sigmoid核的支持向量机研究

Sigmoid核最初起源于神经网络,目前在支持向量机中也得到了广泛应用,但由于核矩阵的非半正定性,其应用受到一些限制.研究表明Sigmoid核可以用简单的模糊三角隶属函数来近似替代,使得其学习效率能进一步提高.本文首先分析模糊支持向量机的特性,将模糊理论用于支持向量机的核中,并在此基础上提出了基于Vague-Sigmoid核函数的支持向量分类器.该方法充分结合了Vague集的自身优势,用基于Vague集的相似度量来代替了常规中的样本间的点积计算方法.将文中提出的方法应用于标准数据集中,并与传统的Sigmoid核方法、Fuzzy -Sigmoid核方法进行了实验分析, 实验表明文中提出的方法在不损失精度的情况下,能较好的提高算法的执行效率,取得了较好的实验结果;同时也表明在支持向量机中能利用Vague-S igmoid核取代替传统的Sigmoid核,从而减少对Sigmoid核的限制.     

基于加权模糊支持向量描述的旋转机械故障分类

基于支持向量数据描述良好的分类性能,针对旋转机械故障诊断中故障样本获取的特点,提出了基于正负类样本的加权模糊支持向量数据描述多类分类器,不仅考虑了正类样本,而且也充分考虑了负类样本对分类结果的影响.利用模拟故障样本对系统进行了实验,结果表明提出的方法在系统中具有良好的分类能力.     

语言学习系统的设计及实现

介绍了语言学习系统的硬件结构和软件功能模块,并给出了实现的主要技术与途经,这些技术较好地解决了系统的稳定性及多路多人同时任意编组通话的问题,系统功能强大,性能可靠。     

基于视觉原理的多分辨率地形生成准则

目前多分辨率地形的生成准则主要是屏幕空间误差或其变相表达的地形粗糙度,但该类误差准则仅适于对近处的地形进行简化.为了能对远处的地形进行简化,因而从能量传播的角度出发,提出了一个适合对离视点较远的区域进行简化的残余能量准则,同时将其与屏幕空间误差相结合,建立了一个基于视觉原理的多分辨率地形生成准则,并给出了一个基于四叉树结构的实时生成算法.实验表明,该算法能有效减少三角形的数目,并能适合于大规模地形的实时显示应用.     

连续属性信息系统的规则约简新方法

连续属性信息系统的规则约简根本问题是属性在连续范围取任何实值,使得应用与离散属性的规则约简方法难于使用。因此解决连续属性信息系统的规则约简问题为当前研究领域所关注。该文结合粗集与模糊集理论与方法提出了一种新的数据处理与规则约简方法,并给出了该方法的实验结果。     

大规模三维场景可视化的数据组织方法研究

针对大规模三维场景的可视化问题，文章提出了以数据分割和动态调度为主要思想的解决方案，并重点对空间数据组织方法进行了研究和实践，提出通过数据的预处理和编码机制将空间数据组织成金字塔形的数据库结构，以支持动态的数据调度和绘制。文中通过具体应用的实例证明了该数据组织方法的有效性。     

关于Vague集的相似度量

研究Vague集的相似度量的意义及其表示方式.对已有关于Vague集的相似度量进行分析与讨论,探讨了Vague集的相似度量的实质意义和确定相似度量的方法,给出Vague集的相似度量的一种基于距离表示的新方法,同时指出了可以在各种距离意义下产生不同形式的相似度量.另外,做出了把Vague集分解为模糊集的尝试.     

一种新的模糊补偿多类支持向量机

支持向量机是Vapnik等学者在统计学习理论的基础上提出的一种新的机器学习方法。针对支持向量机理论中的多类分类问题和对于噪音数据的敏感性，本文提出了一种模糊补偿多类支持向量机算法FC-SVM。该算法是在Weston等人提出的多类SVM分类器的直接构造方法中引入模糊补偿函数，针对每个输入数据对分类结果的两方面影响，将目标函数中的惩罚项不仅进行了模糊化，而且对于分类情况进行了加权补偿，并重构了优化问题及其约束条件，然后重构了Lagrange公式，给出了理论推导。在充分的数值实验基础上，将文中提出的方法应用于建设银行个人房贷的信用评估系统中，得到了较好的实验结果。     

用神经网络选择多维数据挖掘空间的研究

多维数据挖掘是基于数据仓库系统的重要决策支持技术，遗憾的是，由于多维数据的复杂性使数据挖掘的效率和实用性都很差，本文通过对多维数据挖掘模型的分析，说明在多维数据挖掘过程中挖掘空间的选择是影响结果成败的关键步骤，在此基础上提出一种用于挖掘空间选择的神经网络模型，并通过实例应用说明该模型能够正确寻找到正确的挖掘空间，最后文章讨论了该模型的优缺点。     

一种高效的基于采样的关联规则挖掘算法

在事务数据集中发现项目间的关联规则是数据挖掘的一个经典问题,但传统的关联规则挖掘方法对于大事务数据集而言,执行效率相对较低。已经有研究表明,采样技术能有效地改善挖掘效率。在分析现有采样方法的基础上,提出了一种新的基于采样的高效关联规则挖掘算法ESMA。该算法采用了更加有效的双向采样策略。通过实验分析表明,该算法明显地加快了大事务数据库中采样的速度,从而降低了CPU时间,而且具有很好的可扩展性。