排序方式: 共有36条查询结果,搜索用时 0 毫秒
1.
MonteCloPi算法是一种基于蒙特卡洛树搜索(Monte Carlo tree search, MCTS)的任意时间子群发现算法,旨在使用MCTS策略构建非对称的最佳优先搜索树来发现高质量的多样性模式集,但是限制了目标为二值变量.为此,本文结合了数值目标的特点,通过为置信度上界(upper confidence bound, UCB)公式选取合适的C值、动态调整各个样本的拓展权重并对搜索树进行剪枝、使用自适应top-k均值更新策略,将MonteCloPi算法拓展到了数值目标.最后,在UCI数据集、全国健康与营养调查(national health and nutrition examination survey, NHANES)听力测试数据集上的实验结果表明本文的算法相比其他算法可以发现更高质量的多样性模式集,并且最优子群的可解释性也更好. 相似文献
2.
Hub会对高维数据分析产生显著消极影响,现有研究分别采用了五种降Hubness策略以提高分类效果,但单个降Hubness策略适用范围有限.为解决这一问题,提出对五种降Hub分类器进行基于PM-MD的集成,PM-MD集成是通过KNN确定分类对象的决策表以及通过分类器得到分类对象的类支持向量,最后通过比较决策表和类支持向量的相似性计算分类器的竞争力权重.由于PM-MD在处理高维数据集时高斯势函数存在弱化距离导致区分度不足的倾向,因此提出了采用欧氏距离直接计算决策表以提高分类精度.在12个UCI数据集上的实验结果表明:PM-MD不仅获得更好且稳定的分类结果,而改进后的PM-MD则进一步提高了分类精度. 相似文献
3.
以K-means为代表的聚类算法被广泛地应用在许多领域, 但是K-means不能直接处理不完整数据集. km-means是一种处理不完整数据集的聚类算法, 通过调整局部距离计算方式, 减少不完整数据对聚类过程的影响. 然而km-means初始化阶段选取的聚类中心存在较大的不可靠性, 容易陷入局部最优解. 针对此问题, 本文引入可信度, 提出了结合可信度的km-means聚类算法, 通过可信度调整距离计算, 增大初始化过程中选取聚类中心的可靠性, 提高聚类算法的准确度. 最后, 通过UCI和UCR数据集验证算法的有效性. 相似文献
4.
为了从传统进化策略的角度分析并改进云进化策略,研究云分布的峰度统计量及其应用。云分布在固定标准差时,也可通过调整峰度来改变噪声形状,可能产生更有效的变异。推导云分布峰度计算公式,以支持熵-超熵空间和标准差-峰度空间的相互转换。比较峰度和峰比对云分布噪声的影响,证明峰度更适宜自适应演化。给出峰度驱动的云进化策略,它的参数演化结合基于1/5规则的标准差演化和自适应峰度演化。对8个测试函数的实验结果显示,高峰度利于全局寻优,低峰度利于局部寻优,而峰度的自适应调整可综合二者优势。 相似文献
5.
定义任务之间的偏序限制,基于偏序限制可以联系原先独立的任务.分析偏序限制的应用,给出一个协同演化的多任务学习框架,它反复地通过各个任务的独立演化以寻优,通过联合调整以结合偏序限制.给出本框架在构建猪肉预冷损耗曲线过程中的应用:考虑了低湿损耗曲线与中湿损耗曲线间的偏序关系,利用协同演化,在样本量很少时,也能获得合理的低湿和中湿损耗曲线.对于4个标准测试函数的测试显示了本策略对于一般问题的有效性. 相似文献
6.
Shapelet序列分析为时间序列分类提供了一种快速分类的方法,但Shapelet序列抽取速度很慢,限制了它的应用范围。为了加快 Shapelet 序列的提取,提出了一种基于主成分分析的改进方法。首先运用主成分分析法(PCA)对时间序列数据集进行降维,采用降维后的数据表示原数据,然后对降维后的数据提取出最能代表类特征的Shapelet序列。实验结果表明:本方法在保证分类准确率的前提下,提高了运算速度。 相似文献
7.
8.
通过对用户的分类,面向用户设计接口是软件规划的重要工作.结合报刊资料存储系统用户界面的设计过程,本文介绍了接口设计的主要工作,有关方案获得了成功. 相似文献
9.
传统的聚类算法能够将数据集划分成不同的簇,但是这些簇通常都是难以解释的. IMM (iterative mistake minimization)是一种常见的可解释聚类算法,通过单个特征来构造阈值树,每个簇都可以用根节点到叶子节点路径上的特征-阈值对进行解释.然而,阈值树在每一轮划分数据时仅考虑错误最少的特征-阈值对,这种贪心的方法容易导致局部最优解.针对这一问题,本文引入了集束搜索,通过在阈值树的每一轮划分过程当中保留预定数量的状态来减缓局部最优,进而提高阈值树提供的聚类划分与初始聚类划分的一致性.最后,通过实验验证了该算法的有效性. 相似文献
10.
结合关联限制K-means算法能有效地提高聚类结果,但对数据对象分配次序却非常敏感。为获得一个好的分配次序,提出了一种基于分配次序聚类不稳定性的迭代学习算法。根据Cop-Kmeans算法的稳定性特点,采用迭代思想,逐步确定数据对象的稳定性,进而确定分配次序。实验结果表明,基于分配次序聚类不稳定性迭代学习算法有效地提高了Cop-Kmeans算法的准确率。 相似文献