多查询相关的排序支持向量机融合算法

排序学习是目前信息检索与机器学习领域研究的热点问题.现有排序学习算法在学习时把训练样本集中的所有查询及其相关文档等同对待,忽视了查询之间的差异,影响了排序模型的性能.对查询之间的差异进行描述,并在训练过程中考虑这种差异,提出一种基于有监督学习的融合多个与查询相关排序子模型的方法.该方法为每一个查询及其相关文档建立一个子排序模型,并将子排序模型的输出进行向量化表示,将多个查询相关的排序模型转化为体现查询差异的特征数据,实现多排序模型的集成.以排序支持向量机为例,在查询级和样本级建立新的损失函数作为优化目标,并利用此损失函数调节不同查询产生损失之间的权重,提出多查询相关的排序支持向量机融合算法.在文档检索和网页检索中的实验结果表明,使用多查询相关的排序支持向量机融合算法可以取得比传统排序学习模型更好的性能.     

基于卷积神经网络和光丝诱导荧光光谱的NaCl气溶胶定量分析

盐气溶胶是大气污染监测的重要对象。使用基于高功率超快激光的光丝诱导荧光光谱(FIFS)技术可以实现大气气溶胶的远距离快速定量分析,该技术有望成为下一代激光雷达的核心技术。用NaCl气溶胶模拟大气气溶胶污染物,针对自吸收效应导致光强与物质质量浓度偏离线性关系的问题,提出基于一维卷积神经网络的NaCl气溶胶质量浓度预测模型,并将其与多元线性回归模型、偏最小二乘回归模型、BP传播神经网络模型和定标曲线模型进行了对比实验。在各质量浓度(0.33～6.61 mg/m³)NaCl气溶胶全波段光谱数据集和特征波段光谱数据集上的实验结果表明：所提一维卷积神经网络模型在特征波段光谱数据集上的预测准确率为1,在泛化预测实验中的准确率为0.87,优于其在全波段光谱数据集上的结果,同时也优于其他模型。该模型对自吸收效应下的非线性定量分析具有良好的准确性和鲁棒性,为FIFS技术应用于大气气溶胶质量浓度预测分析提供了可靠的定量分析技术。     

适应类别增量的决策树训练算法

对于模式经常发生变化的客户资信评估、垃圾邮件检测和网络入侵检测等在线分类系统来说，自动感知客观存在的新类别，并让系统中的分类器对此作出自适应调整是其正确持续运行必须解决的问题。该文提出了一种适应新类别增加的决策树训练算法，该算法在新类别已检出的前提下，在原有决策树基础上利用新类别样本增量训练出新的决策树。实验结果表明：该文提出的算法可以较好地解决该问题，而与重新训练新决策树相比，它在分类器离线调整上较少的时间花费使其适用于在线分类系统。     

基于机器学习的大面积拼接镜倾斜误差探测

为了实现对拼接镜整体幅面的共相位误差的快速检 测,通过Zemax建立相位测量装置,数值模拟拼接镜 的倾斜误差检测过程。使用基于主成 分分析(PCA)、偏最小二乘回归(PLSR)的机器学习算法,替代传统的相位重建方法,从 探测面强度分布图中提取倾斜误差。预测结果表明,在单元情况下对12个样本的倾斜角进行 预测,倾斜角预测值与真实值间的均方根误差(RMSE)约为0.00029;在多元情况下,倾角的 RMSE均维持在0.0003以下。可见,在两种情况下,倾角的RMSE参量值 均小于倾斜步长。因此 ,利用机器学习算法可以实现对倾角步长为0.0005°的倾斜误差的预 测,与相位差波前检测 等传统方法相比,该方法能大幅提高预测速度,明显降低传统波前重建算法复杂度。     

基于距离尺度学习的新类识别方法

在在线分类任务中经常会出现新类别,导致数据分布发生显著变化,使得已有分类器不再适用.如何识别新类以使分类器能适应其出现已成为在线分类亟待解决的问题.本文提出基于距离尺度学习的识别偏离型新类的算法用于解决该问题.该方法能在缺少先验知识的前提下自动识别新类,并较好地解决了样本间类别相似性同样本间距离不一致的问题,为分类器的自适应更新提供了关键技术.在多个数据集上的实验结果表明在客观新类出现后该方法能有效发现新类,可使更新后的分类器保持较高准确度,为实现适应新类的在线分类系统奠定坚实基础.     

基于COM组件技术的企业进销存系统设计方法研究

随着企业竞争的日趋激烈,如何有效管理企业进销存链,提高企业竞争实力,成为大家关注的问题。该文以COM组件技术为背景,描述如何采用组件模型快速开发出灵活性高、易维护、安全性高、易扩展的企业进销存系统,并因而解决如何加速从软件设计到最终应用系统的问题。     

代价敏感的列表排序算法

排序学习是信息检索与机器学习中的研究热点之一.在信息检索中,预测排序列表中顶部排序非常重要.但是,排序学习中一类经典的排序算法——列表排序算法——无法强调预测排序列表中顶部排序.为了解决此问题,将代价敏感学习的思想融入到列表排序算法中,提出代价敏感的列表排序算法框架.该框架是在列表排序算法的损失函数中对文档引入权重,且基于性能评价指标NDCG计算文档的权重.在此基础之上,进一步证明了代价敏感的列表排序算法的损失函数是NDCG损失的上界.为了验证代价敏感的列表排序算法的有效性,在此框架下提出了一种代价敏感的ListMLE排序算法,并对该算法开展序保持与泛化性的理论研究工作,从理论上验证了该算法具有序保持特性.在基准数据集上的实验结果表明,在预测排序列表中顶部排序中,代价敏感的ListMLE比传统排序学习算法能取得更好的性能.     

光谱处理技术对提升光丝诱导荧光光谱检测低浓度NaCl气溶胶能力的实验研究

大气污染对人类的生产生活有极大影响，气溶胶作为污染物的重要部分，不容忽视。提高对大气气溶胶浓度检测的精确性，尤其是低浓度气溶胶，具有十分重要的意义。本文基于光丝诱导荧光光谱技术，对NaCl气溶胶数据进行预处理，并结合偏最小二乘法建立预测模型，探索不同预处理方法对模型检测精度的影响。讨论如何科学合理地选择预处理方法，按照预处理方法效果分为散射校正、平滑去噪、基线校正3个方面，并提出波峰显著度算法。通过无预处理、单一预处理以及组合预处理进行最优预处理方法的选择，并分析其建模精度的影响。实验结果表明，应用多个预处理方法的组合，与无预处理相比，均方根误差降低至0.03，预测相对误差减少60%；与直接观察光谱信号选择预处理方法相比，根据光谱信噪比的提升及预测组分的建模效果可以更为准确地选择最佳预处理方法。该研究为开展低浓度大气污染物的分析研究提供了一定的参考。