基于SVM概率输出与证据理论的多分类方法

单一技术无法有效解决多类分类问题。为此,提出一种基于一对多支持向量机(SVM)的基本概率分配输出方法,并与置信最大熵模型的D-S证据组合方法结合,给出基于SVM概率输出和证据理论的多分类模型。在3种UCI标准数据集上的仿真结果表明,该方法的分类精度优于传统的一对多和一对一硬输出方法,是一种有效的多类分类方法。     

基于近似Markov Blanket和动态互信息的特征选择算法

针对大量无关和冗余特征的存在可能降低分类器性能的问题,提出了一种基于近似Markov Blanket和动态互信息的特征选择算法。该算法利用互信息作为特征相关性的度量准则,并在未识别的样本上对互信息进行动态估值,利用近似Markov Blanket原理准确地去除冗余特征,从而获得远小于原始特征规模的特征子集。通过仿真试验证明了该算法的有效性。以支持向量机为分类器,在公共数据集UCI上进行了试验,并与DMIFS和ReliefF算法进行了对比。试验结果证明,该算法选取的特征子集与原始特征子集相比,以远小于原始特征规模的特征子集获得了高于或接近于原始特征集合的分类结果。     

基于特征点的快速匹配算法

为了实现快速、高精度的图像匹配,将基于灰度的图像匹配技术与基于特征的图像匹配技术相结合.定义了一种灰度值特征.并提出一种基于图像灰度值特征点的快速匹配搜索算法.该算法利用得出的灰度值特征点作为搜索依据,改变了传统匹配方法遍历性质的搜索策略.由于特征点的选取对噪声和灰度值的线性变化具有一定的"免疫性".因此对灰度值不均匀的图像匹配问题同样适用.该算法在大大提高匹配速度的同时兼顾了匹配精度,实现了高效率、高精度的图像匹配.通过实验,证实了该算法的快速性和准确性.     

基于改进磷虾群算法的K-means算法

针对磷虾群算法易陷入局部最优、搜索能力弱及K-means算法易受初始聚类中心选择影响等问题,提出一种基于改进磷虾群算法的K-means算法。该算法通过混沌初始化、动态分群、精英引领和随机变异等策略改进磷虾群算法,并引入最佳聚类数自适应机制,提高了算法的综合寻优能力。实验通过6种基准函数检验了改进磷虾群算法的有效性,用UCI机器学习数据集及人造数据集测试验证了基于改进磷虾群算法的K-means算法的性能。验证结果表明,改进磷虾群算法在保证较快收敛速度的基础上提升了全局寻优能力,与其他算法相比,该算法各方面性能显著提升。     

一种修正的Dubois-Prade 证据推理组合规则

基于对Dubois-Prade证据推理理论的分析与研究,针对Dubois-Prade组合规则的不足,归纳出3类导致Dubois-Prade组合规则失效的情况;在Dubois-Prade组合规则的基础上,引入了修正因子,给出一种修正的Dubois-Prade组合规则—–MDP组合规则.实例表明,MDP组合规则在处理高冲突、"一票否决"和动态信息融合方面都是有效的.     

一种基于置信最大熵模型的证据推理方法

D-S证据组合规则在处理高冲突信息时会得出与直觉相反的结论,这一直是D-S理论研究的热点.与相关理论优势互补是克服证据理论固有缺陷的有效方法之一.基于对最大熵原理和证据理论的研究,定义了辨识框架上的基本最大熵置信分配函数,并与经典的D-S组合规则及其改进方法相结合,给出了相关推理公式及基于置信最大熵模型.理论分析和实验表明,最大熵新证据的加入使非单焦元的基本置信赋值按比例重新分配给了单焦元,很好地处理了高冲突信息.     

蔚蓝时尚文化

本项工程位于长春市繁华路段，总面积1150m^2，其经营方向为化妆品展示、休闲交谈和瑜珈美体。在设计理念上试图用最简洁的姿态回到起点，以获得建筑本体，使室内空间与建筑紧密相联。并通过光产生空间秩序。围绕这一理念，并结合行业特点进行空间分析,空间的高低错落形成不同功能划分，光通过不同的材质产生不同特性及表情，为空间提供一种秩序。引用园林方盒走廊的透窗，     

现代空间的中国人文情结

北方证券公司位于长春市繁华路段，是全国大型股票买卖连锁机构，具有新兴现代企业信息科技特点。工程总面积680m^2，平方造价500元人民币，总计34万元人民币。空间呈长方形，业主要求空间内有独立的大户室、办公室、会议室、接待厅、洽谈区等功能要求，并要求具有行重性、另类性。     

基于改进FCM聚类的BT-SVM多类分类算法

针对二叉树支持向量机在多类分类问题上存在的不足,利用粒子群算法对模糊C均值聚类算法进行了改进,在此基础上,结合二又树支持向量机,构建了偏二叉树多类分类算法.该方法在二叉树各节点处根据聚类中心所对应的样本构造学习样本集和最优分类超平面,保障了聚类精度,有效地提高了测试正确率.实验表明,本文提出BT-SVM多类分类算法的测试正确率要高于同类多类分类算法.     

SVM增量学习中的概念迁移问题及处理方法

支持向量机由于其自身的特点使其在许多应用中表现出了特有的优势,是目前研究的热点.由于标准的SVM学习算法并不直接支持增量式学习,所以研究有效的SVM增量学习方法具有重要理论意义和实用价值.对SVM增量学习中动态目标学习的有关问题进行了深入讨论,定义了静态目标学习与动态目标学习.针对动态目标学习提出了概念迁移问题,给出了SVM增量学习概念迁移的教学表达.讨论和分析了现有的SVM增量学习方法、以及目前处理SVM增量学习中概念迁移问题的方法并得出了结论.