基于标签相关性的多标签分类AdaBoost算法

在多标签分类问题中,标签之间往往是相关的,为了提高分类性能,利用标签之间的相关性,提出AdaBoost.MLR算法和标签相关性分析方法。AdaBoost.MLR算法采用余弦相似度来计算标签相关性矩阵,利用标签相关性矩阵对原始标签矩阵进行补全转换为模糊标签矩阵,将标签空间划分为标签集、标签相关集和标签无关集,结合标签之间的相关性和弱分类器的分类情况,对样本权重进行调整。AdaBoost.MLR算法也能解决多类别分类问题,在其标签相关性的计算中,根据已经训练的弱分类器得到的临时强分类器的分类结果,构造标签相似性矩阵。实验结果表明,文中提出的算法在实验数据集上优于现有的算法,尤其在标签相关性复杂的数据集上分类性能有显著提升。     

用SUH算法实现高速流分类

在分析了2种高速流分类算法ABV( aggreg ate bit vector)和 HiCuts( hierarchical intelligent cuttings)的基础上 ,提出了一种新的高速流分类算法 SUH(split united hierarchy) . 通过利用实际的分类器对 SUH进行的测试表明: SUH在占用很小内存的条件下能快速完成预处理和查找过程 ,实现了高速流分类.     

基于非线性流形学习和k-NN的文本分类算法

为解决文本分类中存在的维数灾难、数据集噪声等问题,本研究提出一种利用非线性维数约简算法结合k-最邻近结点算法(k-nearest neighbor algorithm, k-NN)的文本分类算法。该算法首先对数据集进行去噪处理,再采用非线性流形学习中的局部线性嵌入算法恢复高维数据中的中低维流形结构,以实现数据约简,利用经过上述处理的文本数据学习k-NN分类器。实验结果表明,该算法能够有效提高文本分类精度。     

最值吸收算法解决矩阵连乘次序问题

通过分析矩阵序列乘法的特点,找到了一种新的算法一最小维数边界吸收算法,并将此算法分别与穷举搜索算法、动态规划算法的时间复杂度及空间复杂度进行分析比较．可以看出,动态规划算法的时间复杂度为O（n^3）,空间复杂度为O（n^2）,而本算法的时间复杂度和空间复杂度均为O（n）,并且不需要额外的空间开销．     

多标签AdaBoost算法的改进算法

针对多标签AdaBoost系列算法,以尽量减小算法的学习错误率为目的,提出了对其进行改进的两种思路。基于改进思路构造出了改进的多标签AdaBoost算法。一种思路是修改算法的样本分布调整策略,破坏现有AdaBoost算法中样本分布的均匀性,以确保增加每一个弱分类器都能降低学习错误的上界估计,从而实现对多标签AdaBoost算法的改进。另一种思路是训练弱分类器时兼顾后续待学习的弱分类器对学习错误的影响,克服现有算法在训练弱分类器时只考虑当前的弱分类器对学习错误的影响,而完全忽略后续待学习的弱分类器对学习错误的影响这一现象,从而改进多标签AdaBoost算法。理论上,对于改进多标签AdaBoost算法,增加每一个弱分类器都能进一步降低学习错误。理论分析和实验结果均表明了提出的改进算法有改进效果。     

自适应维分编码维数估计与降维算法

在自适应维分编码原理的基础上,证明了维分编码维重Q=4是最优的．标签越多,维分编码的维数就越多．为此文中给出了标签数量估计和维数估计方法,同时还给出了自适应维分编码降维后标签的降维编码算法以及自适应维分编码的解码算法,为自适应维分编码原理的完善做了正确和必要的研究,因此,完善的自适应维分编码算法无论标签数目较多和标签数目较少时,都能大大提高阅读器搜索标签的效率．     

关于第二类Stirling数的一种新算法

本文给出第二类Ｓｔｉｒｌｉｎｇ数的一种新算法，并推出几个有用的推论。     

因子分析降维对分类性能的影响研究

考虑因子数据的数据特征，采用连续属性服从正态分布的朴素贝叶斯分类方法，对因子分析降维前后数据集的分类性能变化进行了研究．实验结果表明：因子分析中的KMO（Kaiser—Meyer—Olkin）统计值和变量共同度与分类性能紧密相关，当KMO统计值大于0．8，并且只有很少属性的变量共同度值小于80％时，采用因子分析作为分类之前的降维是适宜的．     

分类监督半定嵌入算法

基于谱分析流形学习算法——半定嵌入算法(Semi-definite Embedding,SDE),提出了两种监督型的SSDE算法,即基于权重的SSDE算法和基于最佳距离度量的SSDE算法,数值实验验证了算法的有效性。     

基于主成分分析和KNN混合方法的文本分类研究

特征选择和分类算法是文本分类中的两个关键技术,提出了基于主成分分析和KNN相结合的文本分类方法。该方法利用主成分分析对文本向量的高维空间进行特征选择,为克服因类别特征选择不当带来的不利影响,使用KNN算法进行分类可以最大程度地减少分类过程中的误差。为了验证方法的有效性,针对UCI标准数据集进行仿真实验。实验结果显示,PCA-KNN方法优于主成分分析和随机森林相结合的方法,能在一定程度上提高文本分类的精度。     

一种解寇克曼问题的计算机算法

寇克曼 (kirkman)于 1 847年提出了著名的“1 5个女生问题” ,本文提出一种解该问题的基于随机搜索和回溯的计算机算法。该算法已在微型机上实现 ,计算结果表明算法是有效的。在任意给定第 1天的安排后 ,该算法均能找出其它 6天满足要求的 3人组安排     

求解旅行商问题的新型帝国竞争算法

针对旅行商问题,提出了一种新型帝国竞争算法,该算法引入帝国强化过程,以加强对殖民国家的开发;同时,为了改善帝国之间信息交流不足、群体多样性体现不明显的问题,又引入了后备国家集合,加入帝国交流过程。将该新型算法应用在国际通用旅行商测试库进行性能测试,结果表明,该算法比传统帝国竞争算法具有更快的收敛速度和更强的鲁棒性。     

求解三角形Packing问题的贴边算法

NP难度问题的求解一直是计算机科学技术的一个瓶颈任务.自20世纪70年代以来的研究结果表明,求解NP难度问题不存在既完整严格又不太慢的求解算法.三角形Packing问题是NP难的.本文给出了角区的分类,并继续沿着拟人的途径,给出了求解三角形Packing问题的贴边策略.以贴边策略为基础发展出新的贴边拟人算法.实验结果表明,贴边拟人算法具有更高的完整性.     

求解三角形Packing问题的占角算法

三角形Packing问题是NP难的,其完整算法的时间复杂度是指数型的.建立了求解三角形Packing问题的数学模型;沿着拟人的途径,通过把待解决的问题与人类的社会经验作对比,得到了求解三角形Packing问题的若干拟人策略,并以此策略为基础发展出一种高效的近似求解算法.实验结果表明,沿此途径得出的求解三角形Packing问题的算法,针对三角形数目较多的情况,具有较好的完整性和较低的时间复杂度.     

一种新的求解移动Agent路由问题优化算法

文章对移动Agent在无线传感器网络中的路由问题进行描述,给出该问题的多约束最优非劣路径求解模型,并提出一种SA-CA算法求解移动Agent路由问题:利用模拟退火(Simulated Annealing,SA)算法接受最优单体以推动文化算法(Cultural Algorithms,CA)中信仰空间的进化,并将搜索步长作为情景知识指导群体空间最优解的搜索.这种双层结构特性减少了搜索时间,表现出较好的全局寻优性能.仿真实验也表明,与粒子群优化算法(PSO)、遗传算法(GA)的计算结果相比,提出的新算法在保证求解准确性的同时,具有更快的收敛速度和较高的可靠性,是解决无线传感器网络多约束QoS路由的有效途径,能提高整个网络的性能.     

求解minimax优化问题的下降算法

应用矩阵运算给出了求解minimax优化问题的一种新下降算法.该算法的特点是:不必考虑有效函数的个数,不必计算逆矩阵;只需要作矩阵的乘法运算或求解方程组就可以得到minimax的下降方向.该算法具有全局收敛性,数值例子表明,该方法具有良好的数值计算结果.     

解非线性方程的一种新算法

将改进的迭代法和Ａｉｔｋｅｎ算法相结合，推导出一种新迭代算法，并证明了新算法的收敛性和收敛阶，领导具结果表明，用此算法示方程的根，收敛速度比Ａｉｔｋｅｎ算法要快，同时提高了解算精度，增加了初值的选择范围，对方程求根有重要意义。     

求解线性双层规划的一种全局优化算法

讨论了线性双层规划问题,通过分析线性双层规划可行域的结构特征和最优解在约束域极点上达到这一特性,对线性双层规划上层目标函数进行定界,利用二分法原理,构造了一个双线性规划来修正当前的界,提出一种了求解线性双层规划的全局优化算法.     

求解TSP的改进遗传算法

遗传算法是求解旅行商问题的一种全局优化概率搜索算法方法.文中针对遗传算法较快的找到最优解并防止＂早熟＂收敛问题,提出了一种新的分级方法,该方法在各级中以群体当前最优个体替代各级中的最差个体,并在各级中采用自适应变异概率,改进后的遗传算法不但有效的维持了群体的多样性,而且提高了收敛速度.最后实验表明,改进的算法是可行和有效的.     

解决不确定性决策问题的一种新方法

针对一类带有初期投资的不确定性决策问题,提出了一种新的分析方法—基准方案法,通过确定基准方案集并进行对“虚拟”投资额与实际投资额的比较来确定最优方案,并且给出一个算例．