模式线性可分时的一种单层感知器算法

在模式识别时常常需要对模式进行分类,线性可分模式的分类是其中最基本的一种.常用的线性分类算法是LMSE算法,它们在本质上都属于几何分类法,当模式线性可分时,一般都能达到令人满意的效果.然而考虑到LMSE算法并非是最简单和有效的线性分类算法,本文基于神经网络中单层感知器的概念,利用单层感知器可以把输入空间划分成两个区域来进行输入向量分类的特点,提出了在模式线性可分时用神经网络中单层感知器进行模式划分的一种新算法.然后对该线性分类算法的原理和算法过程进行了阐述,最后用MATLAB实现了这种分类算法,并解决了两个不同类型的线性模式的划分问题.     

基于感知器算法的维吾尔语词性标注研究

维吾尔语自动标注是维吾尔语信息处理后续句法分析、语义分析及篇章分析必不可少的基础工作。词性是词的重要的语法信息,假如一个词的词性无法确定或一个词给予错误的词性,对后续句法分析造成直接的影响。本文使用感知器训练算法和viterbi算法对维吾尔语进行词性标注,并在词性标注时利用词的上下文信息作为特征。实验结果表明,该方法对维吾尔语词性标注有良好的效果。     

感知器学习算法研究

介绍感知器学习算法及其变种,给出各种感知器算法的伪代码,指出各种算法的优点。给出感知器算法在线性可分和线性不可分情况下的误差界定理,讨论各种感知器学习算法的误差界理论,给出各种算法的误差界。介绍感知器学习算法在在线优化场景、强化学习场景和赌博机算法中的应用,并对未解决的问题进行讨论。     

基于感知器模型的布尔函数实现

通过对感知器模型的研究,结合数字电路知识,实现了基本逻辑运算,并通过MATLAB验证了感知器能够实现逻辑运算,并能进行正确分类。     

基于感知器模型的布尔函数实现

通过对感知器模型的研究,结合数字电路知识实现了基本逻辑运算,同时用MATLAB验证了感知器能够实现逻辑运算,并能进行正确分类.     

一种基于核函数的非线性感知器算法

为了提高经典Rosenblatt感知器算法的分类能力，该文提出一种基于核函数的非线性感知器算法，简称核感知器算法，其特点是用简单的迭代过程和核函数来实现非线性分类器的一种设计，核感知器算法能够处理原始属性空间中线性不可分问题和高维特征空间中线性可分问题。同时，文中详细分析了其算法与径向基函数神经网络、势函数方法和支持向量机等非线性算法的关系。人工和实际数据的计算结果表明：与线性感知器算法相比，核感知器算法可以有效地提高分类精度。     

一种快速的单层感知器网络学习算法

提出了一种单层感知器网络训练的新算法,证明了对于线性可分问题和线性不可分问题,算法总是在有限步内终止,算法的迭代次数以模式数为上界;而且,在算法终止时,对于线性可分问题,总是能得到正确的权向量解,所以,如果在算法结束时还不能划分所有模式,则说明给定的模式集确是不可线性划分的。     

多层前馈感知器的高阶序贯非线性Kalman滤波学习算法

本文提出了高阶序贯非线性增广Ｋａｌｍａｎ滤波，并将其应用于多层前馈感知器的学习问题。文中给出了ＭＬＰｓ和ＳＥＫＦ算法，得到了与ＢＰ算法类似的正向与φ反向传播过程，并且详细地推导了核心的量测Ｊａｃｏｂｉａｎ矩阵。结合一非线性正弦函数，ＤＥＫＦ和ＳＥＫＦ的仿真结果被进一步给出。     

基于最小样本平面距离的支持向量机增量学习算法

支持向量机增量算法的关键是对历史样本集的剪辑,在历史样本集中选择出尽可能少又能表示尽可能多历史样本集信息的子集,再把这个子集与新增训练样本集放在一起进行训练.Liva Ralaivola[1]提出保留新增样本最近邻样本来表示历史样本集,而这样的最近邻样本中可能存在冗余样本.根据历史样本与分类平面间的距离可以去除新增样本最近邻样本集中的冗余样本.根据样本平面距离提出了MSPDISVM (minimum sample plane distance incremental support vector machines)算法.实验结果表明,MSPDISVM比Liva Ralaivola提出的算法有更快的速度,而精度没有太大的差异.使用样本平面距离可以有效地去除新增样本最近邻中的冗余样本.     

基于频繁模式表的增量更新算法

对大型数据库中关联规则挖掘的频繁模式维护问题进行了研究,提出一种增量更新算法(Update Frequent Pattern List,UFPL).该算法基于频繁模式表(FPL),可以处理数据库数据增加和最小支持度都发生改变的情况下关联规则的维护问题.最后,利用公共测试数据集,对算法性能进行测试,相对于快速更新(Fast Update,FUP)算法和增量维护(Incremental Maintenance,IM)算法,其效率有较大改进.     

基于样本噪声检测的AdaBoost算法改进

针对传统的AdaBoost算法中,存在的噪声样本造成的过拟合问题,提出了一种基于噪声检测的AdaBoost改进算法,本文称为NAdaBoost（nois-detection AdaBoost）. NAdaBoost算法创新点在于针对传统的AdaBoost算法在错误分类的样本中,噪声样本在某些属性上存在很大差异,根据这一特性来确定噪声样本,再重新使用算法对两类样本进行分类,最终达到提高分类准确率的目的. 本文对二分类问题进行实验结果表明,本文提出的算法和传统的AdaBoost算法,以及相关改进的算法相比,有较高的分类准确率.     

基于最大概念的概念格增量构造算法

针对增量概念格构造过程中,节点更新和生成元判定效率较低、边更新阶段的复杂度较高等问题,提出基于最大概念的概念格增量构造算法,通过跟踪与概念格中的概念具有相同真实内涵的最大概念,简化生成元的判断过程。该算法缩小了寻找新生节点父节点时的搜索范围,避免对生成元非必要边的判断,提高构造概念格的速度。复杂度分析结果表明,该算法的时间性能优于其他同类算法。     

基于时间权值的增量关联规则挖掘算法

结合增量更新算法,为不同时间段内的数据赋予不同的权值,通过引入最小支持数阈值及其自适应调整方法,提出一种加权增量关联规则挖掘算法Apriori+。算法中反映客观规律的时间权值使项集的频繁性在增量情况下具有时变特性,因此挖掘出的关联规则更符合实际需要。     

结合样本选择和AdaBoost的日侧冕状极光检测算法

日侧冕状极光是太阳风与地球磁层相互作用产生的典型电离层踪迹,对其正确分类对研究空间天气活动尤为重要。根据冕状极光的形态特征,提出了一种基于静态图像分类的日侧冕状极光检测算法。首先提取极光样本图像的Gabor特征,利用K均值聚类算法进行基于有监督聚类的训练样本选择,保证训练样本的多样性和代表性。然后引入AdaBoost算法进行特征选择并构建级联分类器实现日侧冕状极光的检测。在北极黄河站采集到的实测极光图像数据库上所做的分类实验结果表明了算法的有效性。     

基于粒计算的非线性感知机

感知机是模式识别领域的二分类判别模型,具有简单、线性和运算效率高的优点,也是众多分类器的基础。然而,感知机无法表达复杂的非线性映射,难以处理非线性可分数据。针对感知机的固有缺陷,结合粒计算特性,本文提出了一种新型的感知机分类模型——粒感知机。通过粒计算理论,样本在单特征上的粒化形成粒子,多特征上的粒化构造成粒向量;进一步定义粒感知机模型,设计粒感知机策略,提出粒感知机学习算法。为了求解粒感知机的优化解,证明了粒感知机损失函数的导数形式,设计了梯度下降算法,并从收敛速度、非线性能力与分类精度多方面进行了实验比较,结果表明所提出的粒感知机模型具有收敛速度快与非线性处理数据的能力。     

Combining the Perceptron Algorithm with Logarithmic Simulated Annealing

We present results of computational experiments with an extension of the Perceptron algorithm by a special type of simulated annealing. The simulated annealing procedure employs a logarithmic cooling schedule , where is a parameter that depends on the underlying configuration space. For sample sets S of n-dimensional vectors generated by randomly chosen polynomials , we try to approximate the positive and negative examples by linear threshold functions. The approximations are computed by both the classical Perceptron algorithm and our extension with logarithmic cooling schedules. For and , the extension outperforms the classical Perceptron algorithm by about 15% when the sample size is sufficiently large. The parameter was chosen according to estimations of the maximum escape depth from local minima of the associated energy landscape.      

简化的广义多层感知机模型及其学习算法

提出了简化的广义多层感知机模型(SGMLP模型),并针对SGMLP模型给出了两种学习算法：广义误差反向传播算法(GBP算法)和基于遗传算法(GA)的学习算法。两个典型算例的实验结果表明,该模型及其学习算法是可行和有效的。