不确定性线性多变量系统的鲁棒分散控制

本文首先给出了被给定控制器所稳定的系统的(自出)参数化表达式,接着探讨了三类不确知线性多变量系统的鲁棒分散控制器存在的充分及必要条件。     

鲁棒可逆文本水印算法

针对法律或军事领域在使用文本文件时必须要求真实性的要求,提出一种鲁棒可逆文本水印算法.根据0/1水印序列和同义词替换评价模型,将水印有选择地嵌入到原始文本中.投票原则的使用提高了水印的鲁棒性并降低了误检率,拥有密钥和其他秘密参数的用户才可以完全恢复原始数据.理论分析和仿真结果表明,采用文中算法嵌入的水印具有较好的不可见性和较强的鲁棒性.     

基于规则置信度调整的关联文本分类

基于关联规则的文本分类方法ARC-BC是目前已知的分类效果最好的关联规则分类算法.本文提出了利用ARC-BC分类器的封闭测试的结果对分类器进行调整规则置信度的算法RCA(Rules Confidence Adjustment),参与正确分类行为次数多于参与错误分类行为次数(即"威信"较高)的规则应该拥有更高的置信度,反之,就赋予更低的置信度.实验结果表明,经过RCA算法调整的关联文本分类器的分类效果得到显著提高.     

一种鲁棒文本水印的算法研究

文本水印是一种有效的数字文本版权保护技术,鲁棒性和安全性是其研究的核心问题之一.基于单词间字符统计特征的文本水印（简称TWSCIWC）是一种同时基于内容和格式的文本数字水印算法,具有一定的鲁棒性.本文提出了TWSCIWC的改进算法,引入了冗余嵌入思想和非对称加密签名技术,讨论和分析了这一算法较好的水印性能.     

基于字符阶梯边沿调整的文本水印算法

提出一种新的字符特征类二值文本图像水印算法。该水印算法通过调整二值文本图像中非水平笔画与非竖直笔画的阶梯边沿,来改变每行文本图像上下两半部分黑色像素数总和之比值,并利用比值关系来达到嵌入一位水印比特的目的。水印检测和提取时只要识别出这种比值关系就能解码出水印比特信息。将该水印算法分别施用于中文和英文两类语种的文本图像,实验结果表明该算法具有良好的视觉不可见性,以及对尺度放缩、加噪、剪切、多次打印扫描等操作和攻击的鲁棒性。     

文本分类中结合评估函数的TEF-WA权值调整技术

文本自动分类面临的难题之一是如何从高维的特征空间中选取对文本分类有效的特征,以适应文本分类算法并提高分类精度.针对这一问题,在分析比较特征选择和权值调整对文本分类精度和效率的影响后,提出了一种结合评估函数的TEF-WA权重调整技术,设计了一种新的权重函数,将特征评估函数蕴含到权值函数,按照特征对文本分类的辨别能力调整其在分类器中的贡献.实验结果证明了TEF-WA权值调整技术在提高分类精度和降低算法的时间复杂度方面都是有效的.     

一类多变量非线性动态系统的鲁棒自适应模糊控制

对一类非线性多变量未知动态系统,提出了一种自适应模糊控制策略.策略中采用IF-THEN推理规则来构造模糊逻辑系统,实现对系统中未知函数的估计,在建模误差为零的条件下设计状态反馈控制器及参数的自适应律.分析了当存在建模误差时,闭环系统的稳定性和鲁棒性.     

参数空间中多变量系统的鲁棒D-稳定性

为了保证具有参数不确定性的多变量系统的D-稳定性,它们的参数最大允许摄动范围将受到复平面中区域D以及标称系统的限制.利用系统临界D-稳定时的特性和线性算子范数的特性,得到了这个范围半径的解析表达式.由于这个半径是以欧氏空间的一般范数表示的,所以对于参数摄动范围是菱形、矩形、椭圆、对称多边形等情况,均可以利用它求出系统参数的最大允许摄动范围.     

文本分类技术研究

文本分类是文本挖掘的基础和核心。文中系统地介绍了文本分类过程中涉及的各种关键技术,对特征表示、特征提取、文本分类方法及分类模型评估进行了较为详细地论述。最后,提出了文本分类中存在的问题及今后的发展。     

基于协变量信息的自适应MEWMA控制图

在统计过程控制中,质量变量通常会受到许多协变量因素的影响,充分利用协变量的有用信息可以进一步提高控制图的灵敏度,因此提出一种新的自适应多元EWMA控制图,并计算ARL进行比较。在MEWMA控制图的基础上引入一个权重函数,根据协变量的有用信息自适应的调节统计量的加权参数：当收集到的协变量信息发生偏移时,选择较大的加权参数,更关注当前和附近时间点观测值的偏移程度;反之则选择较小的参数。大量数值模拟分析表明,充分利用协变量中的有用信息之后,监控效果明显优于MEWMA、MCUSUM控制图。     

使用最大熵模型进行文本分类

最大熵模型是一种在广泛应用于自然语言处理中的概率估计方法。文中使用最大熵模型进行了文本分类的研究。通过实验,将其和Bayes、KNN、SVM三种典型的文本分类器进行了比较,并且考虑了不同特征数目和平滑技术对基于最大熵模型的文本分类器的影响。结果显示它的分类性能胜于Bayes方法,与KNN和SVM方法相当,表明这是一种非常有前途的文本分类方法。     

使用最大熵模型进行中文文本分类

随着WWW的迅猛发展,文本分类成为处理和组织大量文档数据的关键技术．由于最大熵模型可以综合观察到各种相关或不相关的概率知识,对许多问题的处理都可以达到较好的结果．但是,将最大熵模型应用在文本分类中的研究却非常少,而使用最大熵模型进行中文文本分类的研究尚未见到．使用最大熵模型进行了中文文本分类．通过实验比较和分析了不同的中文文本特征生成方法、不同的特征数目,以及在使用平滑技术的情况下,基于最大熵模型的分类器的分类性能．并且将其和Baves,KNN,SVM三种典型的文本分类器进行了比较,结果显示它的分类性能胜于Bayes方法,与KNN和SVM方法相当,表明这是一种非常有前途的文本分类方法．     

Using DragPushing to Refine Concept Index for Text Categorization

Concept index （CI） is a very fast and efficient feature extraction （FE） algorithm for text classification. The key approach in CI scheme is to express each document as a function of various concepts （centroids） present in the collection. However,the representative ability of centroids for categorizing corpus is often influenced by so-called model misfit caused by a number of factors in the FE process including feature selection to similarity measure. In order to address this issue, this work employs the ＂DragPushing＂ Strategy to refine the centroids that are used for concept index. We present an extensive experimental evaluation of refined concept index （RCI） on two English collections and one Chinese corpus using state-of-the-art Support Vector Machine （SVM） classifier. The results indicate that in each case, RCI-based SVM yields a much better performance than the normal CI-based SVM but lower computation cost during training and classification phases.     

独立于语种的文本分类方法

本文提出了一种独立于语种不需分词的文本分类方法。与传统文本分类模型相比,该方法在字的级别上利用了n元语法模型,文本分类时无需进行分词,并且避免了特征选择和大量预处理过程。我们系统地研究了模型中的关键因素以及它们对分类结果的影响,并详细介绍了评价方法。该文本分类方法已经在中文和英文两个语种上得到实现,并获得了较好的分类性能。     

基于多特征选择的中文文本分类

自动文本分类就是在给定的分类体系下,让计算机根据文本的内容确定与它相关联的类别。特征选择作为文本分类中的关键,困难之一是特征空间的高维性,因此寻求一种有效的特征选择方法,降低特征空间的维数,成为文本分类中的重要问题。在分析已有的文本分类特征选择方法的基础上,实现了一种组合不同特征选择方法的多特征选择方法,应用于KNN文本分类算法,实验表明,多特征选择方法分类效果比单一的特征选择方法分类效果有明显的提高。     

基于多特征选择的中文文本分类

自动文本分类就是在给定的分类体系下，让计算机根据文本的内容确定与它相关联的类别。特征选择作为文本分类中的关键，困难之一是特征空间的高维性，因此寻求一种有效的特征选择方法，降低特征空间的维数，成为文本分类中的重要问题。在分析已有的文本分类特征选择方法的基础上，实现了一种组合不同特征选择方法的多特征选择方法，应用于KNN文本分类算法，实验表明，多特征选择方法分类效果比单一的特征选择方法分类效果有明显的提高。     

基于Bootstrapping的文本分类模型

本文提出一种基于Bootstrapping 的文本分类模型,该模型采用最大熵模型作为分类器,从少量的种子集出发,自动学习更多的文本作为新的种子样本,这样不断学习来提高最大熵分类器的文本分类性能。文中提出一个权重因子来调整新的种子样本在分类器训练过程中的权重。实验结果表明,在相同的手工训练语料的条件下,与传统的文本分类模型相比这种基于Bootstrapping 的文本分类模型具有明显优势,仅使用每类100 篇种子训练集,分类结果的F1 值为70156 % ,比传统模型高出4170 %。该模型通过使用适当的权重因子可以更好改善分类器的训练效果。     

一种基于特征投票的文本分类方法

基于特征投票机制设计一种线性文本分类方法,运用信任机制理论分析文档类别对特征的信任关系,给出具体特征信任度的模型,并在Newsgroup、复旦中文分类语料、Reuters-21578 3个广泛使用且具有不同特性的语料集上与传统方法进行比较。实验结果表明,该方法分类性能优于传统方法且稳定、高效,适用于大规模文本分类任务。     

基于关联规则挖掘的中文文本自动分类

随着电子出版物和互联网文档的飞速增加，自动文档分类工作正变得日渐重要．提出一种基于关联规则的中文文本自动分类方法．该算法将文档视作事务．关键词视作项，利用改进的关联规则挖掘算法挖掘项和类剐间的相关关系．挖掘出的规则形成分类器，可用于类标号未知的文档的区分．实验证明，该算法能较快地获得可理解的规则并且具有较好的召回率和准确率．