基于支持向量AAM迭代学习的性别分类算法

为了提高性别检测的精度，提出了一种支持向量机（SVM）与主动外观模型（AAM）相结合的迭代学习算法.采用AAM对初始训练样本建模，在此基础上构造SVM分类器.在当前迭代过程所产生的支持向量中随机选择不同性别的样本，对其AAM参数线性插值而生成一系列伪样本，并从中选取被当前分类器误分类或正确分类但分类可信度低的样本参与下次迭代学习.实验结果表明，采用该算法所构造的伪样本是初始训练样本的有效补充，提出的伪样本选择方案优于传统的Bootstrap方法，迭代学习方法逐步提高了性别分类器的检测精度.     

基于协议分析和SVM多分类的入侵检测系统研究

入侵检测实质上可以被描述为对数据样本进行尽可能正确的分类,关键问题是特征选择和模式识别方法的选择.采用SVM分类器组合的方法对数据样本进行分类,结合协议分析技术,提出了基于协议分析和SVM多分类的入侵检测系统模型,并利用KDD CUP 99数据集对系统模型进行测试.测试结果表明,所提出的方法有效提高了入侵检测的效率,降低了漏报率和误报率.     

粗支持向量机分类建模方法

为了克服样本模式的复杂性、噪声的影响以及信息的不完整性问题,利用粗糙集和支持向量机(SVM)的优点,把粗糙集理论用于二分类球形SVM,提出一种称为粗支持向量机分类建模方法.粗糙集具有刻画不确定、不完整数据和复杂模式的能力,分类结果能够体现出数据的不确定性,但是它不仅不具备良好的学习能力,而且也不能保证分类模型具有良好的推广能力;SVM具有良好的推广性能,但是对不确定数据的建模能力较差.本文把分类结果分为正域、边界域和负域,由此来判断不确定数据样本的分类结果的不确定性程度.通过调整参数来调节边界的宽度和允许建模的在野点样本的比例,提高分类模型的灵活性.仿真结果说明了算法的有效性.     

一种新的基于邻域筛选的分类算法研究

基于邻域的概念,提出一种新的样本筛选方法用于分类问题.该方法在特征空间中根据邻域内的样本类别筛选出具有代表性的训练样本,计算其与测试样本的距离作为样本所属类别的判定依据.在UCI数据集和电力系统负荷预测的应用当中,与SVM和NC两种分类方法进行对比分析,证明该方法能够较好地提高样本识别率并降低时间复杂度.     

基于Stacking分类融合的海洋哺乳动物声学识别研究

在自主研制的高精度声学探测系统采集的海洋哺乳动物声学数据基础上,提出一种基于Stacking分类融合的声学数据处理算法。该方法融合了支持向量机(Support Vector Machines, SVM)、K最近邻(K-Nearest Neighbor, KNN)、决策树(Decision Tree)、朴素贝叶斯(Naive Bayes model)4种单分类模型,并采用Labview软件开发,将采集的水下哺乳动物音频数据提取梅尔频率倒谱(Mel-Frequency Cepstrum Coefficient, MFCC)系数作为分类的特征参数用于对海洋哺乳动物分类。采用6个海洋哺乳动物种类共4 042个样本进行测试,和单分类模型识别率最高的SVM模型相比,该方法的识别率提升了3.30%,且在精准率、召回率、F₁值等分类评估指标中也有更好的表现。     

基于对应分析的支持向量机分类研究

提出了基于对应分析的支持向量机分类模型。该模型通过对应分析可以同时对变量及样本进行降维和消除相关性,从而在降低SVM训练时间的基础上有效地提高了SVM的分类精度。实验结果表明该方法是可行的。     

入侵检测中的多分类SVM增量学习算法

通过分析入侵检测样本的分布特点,提出了一种多分类SVM增量学习算法.该算法通过衡量同类样本点和样本中心之间的距离来确定用于训练的支持向量,以选择对分类贡献较大的边缘向量进行训练,通过求解多个超平面的方法划分出不同类别样本的区域,实现了多分类的增量学习.在保证检测率的同时,减少了样本学习数量.利用KDDCUP99标准数据集进行测试,证明该算法可以大幅度降低训练的时间和空间复杂度.     

基于SVM的青年女子体型分类研究

采用美国[TC]2公司的三维人体测量仪测得的江浙青年女性的人体数据,然后根据身体4个部位的形态特征,将人体数据细分为各种女性人体体型.在分类过程中,通过引入支持向量机(SVM)方法,提出了基于SVM的青年女子体型分类模型.结果表明,SVM方法的分类时间短,分类精度高,是一种有效的识别分类方法.     

一种基于样本近邻分类精度的支持向量机集成方法

提出了一种基于样本近邻分类精度的支持向量机集成方法.对待分类样本,可通过改进的FCM与模糊贴近度的搜索算法,自动确定其在模糊特征空间集上的有效邻域;在此基础上,依据各分类器在样本近邻的分类精度及设置的阀值,自动选取部分优秀的个体分类器,进行集成判决.实验结果表明,在缩短分类判别时间的情况下,该方法可有效提高分类器性能.     

基于ADASYN与AdaBoostSVM相结合的不平衡分类算法

对于平衡数据集支持向量机(support vector machine,SVM)通常具有很好的分类性能和泛化能力,然而对于不平衡数据集,SVM只能得到次优结果,针对该问题提出了一种基于SVM的AS-Ada Boost SVM分类算法.首先,通过使用ADASYN采样,提高少类样本在边界区域的密度;然后,使用基于径向基核支持向量机(radial basis function kernel mapping support vector machine,RBFSVM)模型弱分类器的Ada Boost SVM算法训练得到决策分类器.通过将该算法在各种不平衡数据集上的测试结果与单纯运用ADASYN技术、Ada Boost SVM、SMOTEBoost等其他分类器进行比较,验证了该算法的有效性和鲁棒性.     

图书类目复分加"0"问题辨析

通过对《中图法》类目复分加“0”的原因、规则与特殊情况以及连续加“0”的例证分析，进一步探讨了类目加“0”的实际应用问题。     

江西森林立地亚区划分

以江西的气候、地貌、地理位置等生态环境地理因子为基础，采用主分量、多种聚类分析方法进行综合生态分类，把江西省分为７个森林立地亚区     

公路隧道围岩动态分级方法研究

由于地质条件的复杂多变以及勘察方法和技术缺陷等原因,导致在勘察设计阶段的公路隧道围岩分级与实际施工阶段的围岩分级差异很大,应该寻求动态的对公路隧道围岩分级进行描述的定量评价方法,以确保隧道围岩和支护结构体系在施工和运行过程中的稳定性。通过对走马岭隧道现场进行详细地质调查,采用多变量分析法对走马岭隧道围岩进行了动态分级。结果表明,隧道施工阶段围岩分级结果与原来勘查设计部门的结果有较大出入;隧道施工阶段围岩分级结果更加真实,正确反映了围岩的稳定性。     

基于标签关联性的多标签Scratch分类算法

为了实现Scratch可视化编程领域的作品分类,提出了一种基于标签关联性的多标签分类算法（MLLR）,构建了一个有效的多标签Scratch分类模型.首先提取作品的Block使用特征、计算思维技能特征和复杂度特征3类特征作为分类特征;然后针对RAKEL算法随机选择标签子集,忽略了标签间的关联性,提出了改进的MLLR算法,该方法根据多标签之间的关联性来划分标签子集,再训练相应的标签幂集子分类器.实验结果表明,MLLR算法在分类性能和时间性能上优于RAKEL等多标签分类算法,构建的分类模型对于Scratch作品具有较强的适用性,分类的准确率达到81.3%.     

自动问答系统中问句分类研究综述

问句分类作为问答系统所要处理的第一步,在问答系统中起着至关重要的作用,其准确性直接影响最终抽取的答案的正确性。从问句分类的概念出发,先对问句分类体系、特征提取、问句分类方法等进行阐述,然后重点分析了用于问句分类的几个主流学习模型,并对几个模型作了比较分析,最后指出了当前问句分类的研究难点和未来的研究方向。     

基于关联分类的中文短信分类

为高效地识别垃圾短信,在关联分类算法基础上,提出基于语序的关联分类(associative classification based on word order,ACW)算法.该算法利用关联规则挖掘方法,同时结合句法顺序,生成分类规则.通过实验证明,在短信分类领域,ACW算法的效果优于传统关联分类算法.     

对复句分类研究的回顾与思考

就汉语复句的分类,回顾介绍了各家的分类方法,并分析指出了存在的问题。赞同“用有限的复句类型去归纳更多复句现象”作为复句分类研究的目标,同时认为对复句进行分类不宜使用二分法,应主要考虑复句的逻辑语义和语法形式。     

谈地震类型的划分

从不同的角度对地震进行了较为全面系统的分类。     

谈韩国语程度副词的分类

以韩国语常用程度副词为研究对象,划分程度副词的等级,归纳程度副词的意义,深入研究程度副词的分类,并最终形成较为清晰的分类体系,对韩国语教学有较好的参考价值。     

高效细粒分级的重要性及其设备

介绍了传统细粒分级设备并对其性能进行了比较。基于传统细粒分级设备在分级效率和处理能力等方面存在的问题,介绍了一种新型细粒分级设备——高效二次流分级筛。该设备分级效率高,最大程度防止了溢流跑粗和底流夹细(具有脱泥、降灰效果);该设备无须弧形筛作辅助分级脱水、脱泥设备,高浓度、低夹细量的底流可直接进入离心机高效脱水,为简化和优化脱水工艺创造了条件。经济效益分析表明,每年可为100万t选煤厂创造效益千万元以上。