剪枝与欠采样相结合的不平衡数据分类方法*

通过剪枝技术与欠采样技术相结合来选择合适数据,以提高少数类分类精度,研究欠采样技术在不平衡数据集环境下的影响。结果表明,与直接欠采样算法相比,本文算法不仅在accuracy值上有所提高,更重要的是大大改善了g-means值,特别是对非平衡率较大的数据集效果会更好。     

领域信息在信息融合进程中的优化处理

提出一种新的局部领域信息最优化组合函数算法，以解决融合过程中局部领域最优信息合理利用问题。引入最小鉴别信息熵的概念后，得到局部领域最小鉴别信息熵的概念与表示方法，应用于信息融合，得到局部领域信息最优化组合函数算法。该算法为避免其他融合方法主要考虑整体的结果而忽略具体过程提供了一种新的方法和思路。     

模糊聚类在信息检索中的应用

信息检索是与数据库系统并行发展了很多年的一个领域,它主要研究大量文本的信息组织和检索.典型的信息检索问题是基于用户的输入来定位相关的文本.而文本的相关性是一个模糊的概念,为了对这个模糊的概念以客观的度量,提出了一种新的文本间相关性的计算方法,该方法利用词频矩阵和模糊相似矩阵,在基于相关性检索的一组文档中,使用模糊聚类中的最大树算法,计算出一组文档间的相关度,最后用一个实例加以说明,得到了比较客观的结果.     

不同角度下的聚类方法综述

目前聚类分析已经成为许多领域研究的重要方法,特别在图像分割及模式识别中,聚类更是一种常用的重要技术.从统计学角度来看,聚类分析也称群分析、点群分析,它是研究分类的一种多元统计方法,同时聚类分析也是数据挖掘中的核心技术.数据挖掘是近几年随着数据库和人工智能发展起来的一门新兴的数据库技术,它从大量原始数据中发掘出隐含的、有用的尚未发现的信息和知识,帮助决策者寻找数据间潜在的关联,发现被忽略的因素,因而被认为是解决现代社会"数据爆炸"和"Rich Data Poor Information"问题的一种有效方法.对于聚类分析有很多成功的方法,如划分方法、密度方法、K-均值法等.本文从不同方面介绍各种不同聚类方法及其应用.     

基于FP算法的AVE局部模型划分

局部模型的划分是简化敏捷虚拟企业(Agile Virtual Enterprise,AVE)决策问题的重要方法,划分结果可能直接影响到敏捷虚拟企业的建立方式、AVE模型的优化以及合作伙伴的选择等。为了很好地完成AVE局部模型的划分问题,提出一种基于多层反馈神经网络的局部模型划分方法。该方法采用三层网络结构,各层完成指定的任务,第一层完成各输入向量的相似度是否大于给定值的判别;第二层则将相似度大于给定值的输入向量映射到同一类值,从而完成预分类;再利用反馈网络的反馈作用完成最后的分类。其结构清晰、分类灵活、学习的复杂性最低且网络的性能良好。     

基于FP算法的AVE局部模型划分

局部模型的划分是简化敏捷虚拟企业（Agile Virtual Enterprise，AVE）决策问题的重要方法，划分结果可能直接影响到敏捷虚拟企业的建立方式、AVE模型的优化以及合作伙伴的选择等。为了很好地完成AVE局部模型的划分问题，提出一种基于多层反馈神经网络的局部模型划分方法。该方法采用三层网络结构，各层完成指定的任务，第一层完成各输入向量的相似度是否大于给定值的判别；第二层则将相似度大于给定值的输入向量映射到同一类值，从而完成预分类；再利用反馈网络的反馈作用完成最后的分类。其结构清晰、分类灵活、学习的复杂性最低且网络的性能良好。     

领域信息在信息融合进程中的优化处理

提出一种新的局部领域信息最优化组合函数算法,以解决融合过程中局部领域最优信息合理利用问题。引入最小鉴别信息熵的概念后,得到局部领域最小鉴别信息熵的概念与表示方法,应用于信息融合,得到局部领域信息最优化组合函数算法。该算法为避免其他融合方法主要考虑整体的结果而忽略具体过程提供了一种新的方法和思路。     

基于聚类的蚂蚁优化算法

尽管蚁群优化算法在优化计算中有大量应用,但在大规模优化问题中蚁群算法仍存在搜索时间过长、易于停滞现象等等应用瓶颈.基于这些原因,根据经济学组织交易成本理论,文中提出一种新的通过聚类来降低优化问题规模的蚁群优化算法:基于聚类的蚂蚁优化算法,并从理论上表明比其他蚁群优化算法提高了收敛速度并延迟停滞现象.     

鞅在学习样本选择中的应用

样本训练集的选取对网络分类精度及泛化能力有很大影响,同样对回归分析中的两难问题“偏差-方差”影响很大。经典的简单抽样理论在现实中很难做到,数据之间关系受到噪音以及领域知识的限制而显得很复杂,尤其是离群点的影响不能忽视。故而有限样本集中学习,如何获得最优结果不仅与算法有关,且与样本集的选取有关。文章首先从学习的数学理论出发阐明样本训练集的选取方法必要性,进而提出样本选择的鞅性要求与样本训练集中的离群点定义,最后提出在无监督学习中,混合密度分布有限样本集且样本类别数不知情形下的聚类与离群点判别算法,试验结果表明该算法的可行性与有效性。