一种基于LVQ神经网络的聚类方法

现在学习矢量量化（Learning Vector Quantization，LVQ）网络在聚类分析中得到了广泛的应用．但是该类网络还有需要完善的地方。本文通过在LVQ网络的训练过程中引入阈值学习规则，提出了一种改进的算法。较好的解决了该类网络中遇到“死”点时不能对数据进行正确分类的问题。最后通过Matlab7．0仿真实验表明该算法与传统的LVQ网络相比具有更好的聚类效果。     

级联式低消耗大规模网页分类在线获取方法

针对海量网页在线自动高效获取网页分类系统设计中如何更有效地平衡准确度与资源开销之间的矛盾问题,提出一种基于级联式分类器的网页分类方法。该方法利用级联策略,将在线与离线网页分类方法结合,各取所长。级联分类系统的一级分类采用在线分类方法,仅利用锚文本中网页标题包含的特征预测其分类,同时计算分类结果的置信度,分类结果的置信度由分类后验概率分布的信息熵度量。若置信度高于阈值（该阈值采用多目标粒子群优化算法预先计算取得）,则触发二级分类器。二级分类器从下载的网页正文中提取特征,利用预先基于网页正文特征训练的分类器进行离线分类。结果表明,相对于单独的在线法和离线法,级联分类系统的F1值分别提升了10.85%和4.57%,并且级联分类系统的效率比在线法未降低很多（30%左右）,而比离线法的效率提升了约70%。级联式分类系统不仅具有更高的分类能力,而且显著地减少了分类的计算开销与带宽消耗。     

基于MATLAB的BP-LVQ神经网络组合分类模型

综合考虑神经网络分类误差率以及训练速率，文中从组合分类器结构出发，提出一种树形多层的BP—LVQ神经网络组合分类器模型。该组合分类器利用BP神经网络独立性以及自适应性解决了一般分类器难以不断学习和适应新攻击的问题，利用LVQ神经网络的竞争性将客观分类信息转变成使用者所定义的类别。利用MATLAB姬神经网络工具箱对该BP—LVQ神经网络组合分类模型进行仿真实验，实验结果表明，该组合分类器的分类效率明显高于单一分类器。     

LVQ神经网络在乳腺肿瘤诊断中的应用

研究乳腺肿瘤诊断问题,过去可根据医学影像,专家判断。传统诊断方法采用专家经验对乳腺肿瘤进行诊断存在较强的主观性,识别正确率较低。为了提高乳腺肿瘤的识别正确率,提出一种学习向量量化(LVQ)神经网络的乳腺肿瘤诊断模型。利用LVQ神经网络模型结构简单、自学习、自组织、非线分类处理能力更强等优点,构造乳腺肿瘤与症状之间的非线性映射关系,从而实现乳腺肿瘤科学诊断。仿真结果表明,采用LVQ神经网络模型提高了乳腺肿瘤进行诊断识别正确率和科学性,为乳腺肿瘤诊断提供了先进的工具。     

基于局部化原理和概率模型的LVQ改进算法

利用局部化原理和概率模型的优化方法，提出一种LVQ改进算法——基于局部化原理和概率模型的LVQ算法(Localization principle and Probability based LVQ，LoPLVQ)．与传统LVQ算法相比，不仅缩短训练时间，而且具有较高的识别率．实验结果表明改进算法可用来解决大规模的模式识别问题．     

一种基于支持向量机的专业中文网页分类器

文中提出了一种基于支持向量机的专业中文网页分类算法，利用支持向量机对网页进行二类分类，找出所需专业的中文网页；然后利用向量空间模型，对分类好的专业网页进行多类分类。在构造支持向量机的过程中，为了提高分类的召回率，采用了一种偏移因子。该算法只需要计算二类SVM分类器，实验表明，它不仅具有较高的训练效率，同时能得到很高的分类精确率和召回率。     

一种基于预分类的高效SVM中文网页分类器

中文网页分类技术是数据挖掘研究中的一个热点领域,而支持向量机（SVM）是一种高效的分类识别方法。首先给出了一个基于SVM的中文网页自动分类系统模型,详细介绍了分类过程中涉及的一些关键技术,其中包括网页预处理、特征选择和特征权重计算等。提出了一种利用预置关键词表进行预分类的方法,并详细说明了该方法的原理与实现。实验结果表明,该方法与单独使用SVM分类器相比,不仅大大减少了分类时间,准确率和召回率也明显提高。     

基于改进型GLVQ算法的车型分类研究

学习向量量化（LVQ）和泛化学习向量量化（GLVQ）算法都是采用欧氏距离作为相似性度量函数, 忽视了向量各维属性的数据取值范围,从而不能区分各维属性在分类中的不同作用。针对该问题,使用一种面向特征取值范围的向量相似性度量函数,对GLVQ进行改进,提出了GLVQ-FR算法。使用视频车型分类数据进行改进型GLVQ和LVQ2.1、GLVQ、GRLVQ、GMLVQ等算法的对比实验,结果表明：GLVQ-FR算法在车型分类中具有较高的分类准确性、运算速度和真实生产环境中的可用性。     

结合概率型神经网络(PNN)和学习矢量量化(LVQ)算法的文本分类方法

针对文本自动分类问题,提出一种基于概率型神经网络(PNN)和学习矢量量化(LVQ)相结合的文本分类算法,该方法借助TFIDF方法提取文本特征及特征值,形成文本分类特征向量,利用概率型神经网络构建分类模型,并利用LVQ学习算法对神经网络模型竞争层网络进行学习,使相应模式向量相互靠拢,远离其他模式,从而实现文本分类.实验结果表明,提出的该方法在文本分类中表现了很好的效果,不仅具有很好的分类准确率,还表现出很好的学习效率.     

基于粗糙集与贝叶斯决策的不良网页过滤研究

不良网页过滤是一种两类网页分类问题。提出了一种基于粗糙集与贝叶斯决策相结合的不良网页分类过滤方法,首先利用粗糙集理论的区分矩阵和区分函数得到网页分类决策的属性约简;然后通过贝叶斯决策理论对网页进行分类与过滤决策。仿真实验表明,该方法在不良网页分类过滤系统中开销小,过滤准确度高,因而在快速过滤不良网页的应用中具有工程应用价值。     

一种基于区域特征关联的图像语义标注方法

图像语义的标注需要解决图像高层语义和底层特征间存在的语义鸿沟。采用基于图像分割、并结合图像区域特征抽取的方法,建立图像区域语义与底层特征间的关联,采用基于距离的分类算法,计算区域特征间的相似性,并对具有相同或相近特征的区域的语义采用关联关键字的方法进行区分,用关键字实现图像语义的自动标注。     

一种WWW搜索引擎的设计与实现

随着Internet在我国的迅速发展和WWW信息的不断增长,迫切需要开发中英文兼容的WWW搜索引擎来获得所需的信息。该文在分析WWW搜索引擎主要功能模块:信息采集模块、信息预处理模块和信息查询模块的基础上,提出采用人工智能搜索算法来遍历网页,对中英文网页进行自动的索引,并用向量空间的表示方法来表示网页内容和用户输入的查询表达式。实践证明,使用该搜索引擎,可以快速准确地搜索到用户所需的信息。     

A predictive synchronizer for periodic clock domains

An adaptive predictive clock synchronizer for systems on chip incorporating multiple clock domains is presented. The synchronizer takes advantage of the periodic nature of clocks in order to predict potential conflicts in advance, and to conditionally employ an input sampling delay to avoid such conflicts. The result is conflict-free synchronization with maximal throughput and minimal latency. The adaptive predictive synchronizer adjusts automatically to a wide range of clock frequencies, regardless of whether the transmitter is faster or slower than the receiver. The synchronizer also avoids sampling duplicate data or missing any input. A novel method is presented for formal treatment of synchronizers and metastability. Correct operation of the synchronizer is formally proven and verified.     

结合最大方差比准则和PCNN模型的图像分割

脉冲耦合神经网络（PCNN）模型在图像分割方面有着很好的应用。在各项参数确定的情况下,其分割结果的好坏取决于循环迭代次数的多少,而PCNN模型自身无法实现迭代次数的自动判定。为此提出一种结合最大方差比准则的PCNN迭代次数自动判定算法,用于实现图像的自动分割。算法利用最大方差比准则找到图像的最优分割界限,确定PCNN的迭代次数,获得最优图像分割结果,然后利用最大香农熵准则验证分割结果。实验表明：提出的算法实现了PCNN迭代次数的自动判定,提高了PCNN的迭代速度,运行效率优于基于2D-OTSU和基于交叉熵的自动分割算法,图像分割效果良好。     

基于DNA自动机的串行二进制进位加法的实现

提出了一种基于DNA自动机的串行二进制进位加法的实现方法。对于一位二进制的进位加法,通过预先设计的DNA自动机模型在一个试管中以自动机的方式完成。对于”位二进制的进位加法,通过将n个类似的试管按照从低位到高位的顺序组成串行网络;将低位加法操作产生的进位转移到高位试管,组成高位自动机的输入符号串,完成高位的加法操作。这种运算方式类似于电子计算机中加法运算系统,为DNA计算机实现算术运算提供了一种新颖的方法。     

基于C++考场自动编排系统的设计与实现

在考场自动编排的过程中,时刻都在检测是否冲突,一旦发生冲突,立即消除。而在系统的运行过程中,为了缩短运行时间,在前台用C Builder应用程序实现时,不能直接把SQL语句嵌入,而是把所要比较的数据导入到C Builder的控件中,这样时间可以缩短几十倍。此过程既可实现考场的自动编排,又可实现冲突检测,功能效率大大提高。     

基于聚类的未标识数据的入侵检测

自动化入侵检测是入侵检测的重要研究方向。传统的入侵检测由于依赖标识数据进行训练,不能做到自动更新规则库和检测新的入侵。提出一种自动检测入侵的方法——基于聚类（Clustering）的未标识数据的检测。它不依赖分类标识数据进行训练,能检测到未知的入侵而保持着很低的误报率。     

基于TF-IDF和余弦相似度的文本分类方法

文本分类是文本处理的基本任务。大数据处理时代的到来致使文本分类问题面临着新的挑战。研究者已经针对不同情况提出多种文本分类算法,如KNN、朴素贝叶斯、支持向量机及一系列改进算法。这些算法的性能取决于固定数据集,不具有自学习功能。该文提出一种新的文本分类方法,包括三个步骤: 基于TF-IDF方法提取类别关键词;通过类别关键词和待分类文本关键词的相似性进行文本分类;在分类过程中更新类别关键词改进分类器性能。仿真实验结果表明,本文提出方法的准确度较目前常用方法有较大提高,在实验数据集上分类准确度达到90%,当文本数据量较大时,分类准确度可达到95%。算法初次使用时,需要一定的训练样本和训练时间,但分类时间可下降到其他算法的十分之一。该方法具有自学习模块,在分类过程中,可以根据分类经验自动更新类别关键词,保证分类器准确率,具有很强的现实应用性。     

用户可自增考试题型的网络考试系统

针对现有网上考试系统中存在的题型较少,增加题型必须通过编程实现,致使用户无法自行添加题型的问题,本文提出以题型中的最小单元作为组成题型的基本元素,并建立一题型基类,用户只需根据题型描述法的规则,在界面中输入待增题型的描述,系统中的小型编译包就能自动为该题型派生对应的题型类,实现题型的自动增加,从而圆满地解决了上述问题.     

Adding draft angles on mechanical components containing constant radius blending surfaces

The automation of mould design and manufacturing using computer-aided design and computer-aided manufacturing (CAD/CAM) draws the attention of many researchers. However, little attention is given to the automation of draft angles addition process. Draft angle is an important feature that facilitates the ejection of moulded parts. Existing algorithms for draft angles addition are still having limitations, especially for geometry with blending surfaces. A new approach for draft angles addition is introduced. It reduces the workload of users by automatically producing inclination on surfaces that require draft angles.