一种改进的多项式核支持向量机文本分类器 *

多项式核函数由于具有良好的泛化性能而受到重视,并被研究用于文本分类问题。针对多项式核学习 能力较差的缺点,将学习能力较强的条件正定核与多项式核构成一个混合核函数作为改进的多项式核。实验表 明,改进的多项式核SVM文本分类器的分类效果要好于多项式核SVM文本分类器。     

基于兴趣度含正负项目的关联规则挖掘方法

项目的引入使得挖掘出的频繁项集成倍增加,同时生成的关联规则数量更加庞大,引入兴趣度来约束从频繁项 集中提取关联规则的数量。分析现有的兴趣度模型,从中选择了一种适合于含正负项目的关联规则挖掘的兴趣度方法,并且 提出了置信度的一个性质,描述了含正负项目的频繁项集挖掘关联规则的算法,并对矛盾关联规则进行了分析。实验结果表 明,该算法是有效和可行的。     

不平衡数据集上的文本分类特征选择新方法*

为了有效消除声发射信号中的噪声,将广义S变换滤波方法应用于声发射信号去噪,分别采用广义S变换中的充零法、基于带通滤波器设计滤波算子法以及时频滤波法进行滤波比较,针对信号的不同时频特性设计了相应的时频滤波算子。结果表明,基于S变换的三种时频滤波法对声发射信号的去噪均有较好的效果,克服了传统滤波方法滤波因子不能随时间、频率变化而变化的缺陷。其中时频滤波法在高信噪比和低信噪比情况下都能更好地去除噪声,可以满足信号处理的要求。     

基于EMD的融合特征快速多示例人脸识别算法

在基于五官模版技术的人脸识别中,因光照、角度及缺少整体性考虑等情况,易产生异常示例,影响了算法精度;而适合多示例检索的EMD测度寻优路径较长,导致在人脸识别中应用受限。为此本文提出了一种基于EMD测度的快速融合特征多示例人脸识别算法（IIFEMD-MIL）。针对异常点的问题,通过引入结合整体特征的融合多示例技术以及距离阀值,从而减少异常示例的产生并对超过阈值的示例予以平滑处理;针对寻优路径长的问题,将人脸五官之三结合整体示例为模版构建四示例的一一匹配,并进一步提出了融合快速EMD-MIL框架,缩短了寻优遍历路径。在ORL和MIT图像集上进行的比对实验表明,该算法执行效率和分类准确性优于其他同类算法。     

利用领域本体概念关系的混合信息检索方法*

利用领域本体概念关系实现语义检索,当没有可用的本体知识时,按传统关键词匹配完成检索.这种基于领域本体的混合信息检索模型融合关键词检索和语义检索的优势,弥补各自的不足,以改善检索性能.将其应用于计算机网络领域,将基于领域本体的混合信息检索模型与传统的关键词检索模型进行对比实验,结果表明混合模型的平均查准率得到了提高,验证...     

MIS系统数据库存储效率分析

数据库结构的好坏对数据库应用系统的效率有着重要的影响。系统初始运行时，数据库可能比较理想，但在运行一段时间后，由于插入、删除、修改操作，数据库的效率可能降低，需要重构数据库。本文中提出用分配空间占用率（Ｒｕ），占用空间平均利用率（Ｒｔ），占用空间各块利用率（Ｒｂ）和最佳利用率（Ｒ）来判断一个ＯＲＡＣＬＢ数据库空间存储效率，以确定重构时机。同时介绍一种基于ＯＲＡＣＬＥＤＢＭＳ下实测上述度量的方法。     

一种结合云模型的文本分类方法

为了降低在传统的文本分类方法中自然语言的不确定性对分类效果的影响,提出了一种结合云模型的文本分类方法。该方法分别定义文本和类别的云模型,通过计算测试文本和每个类别的云相似度,根据最大相似度原则确定测试文本所属的类别。实验结果表明,与传统的K-NN算法相比,该方法在分类准确率等方面有所提高。     

流媒体技术在远程教育中的应用

交互性差、教学模式单一、课件制作软件操作麻烦、网络带宽有限等问题一直困扰着远程教学工作者和远程学习者。流媒体技术的出现，以有限的带宽，实现了远程教育视频、音频、动画等网络课程资源的最佳传输。利用流媒体技术，可以方便快捷地制作和发布流媒体文件，从而更好地达到了因材施教、交互式教学的目的。流媒体技术已成为影响远程教育的重要技术之一。     

一种改进的K-means算法

聚类分析在科研和商业应用中都有着非常重要的应用，K-means算法是聚类方法中常用的一种划分方法。随着数据量的增加，K-means算法的局限性日益突出。基于取样的划分思想，提出了一种改进的K-means算法，在一定程度上避免了聚类结果陷入局部解的现象，减少了原始K-means算法因采用误差平方和准则函数而出现将大的聚类簇分割开的情况，仿真实验结果表明：改进后的K-means算法优于原始算法，并且稳定性更好。     

一种有效的并行高维聚类算法

针对CLQUE算法聚类结果精确性不高的缺点,提出利用小波变换来生成自适应网格的方法对CLIQUE算法进行改进,将改进算法并行化以增强聚类维数升高时算法的可伸缩性,并将其应用于药品的销售预测。实验表明本算法聚类结果的精确性高,可伸缩性好,并且有效地降低了计算复杂度。