基于滑动窗口的快速Learn++.NSE*

Learn++.NSE集成的单个基分类器需根据其在所有历经环境中的分类错误率加权计算投票权重,学习效率有待提高.因此,文中采用滑动窗口技术优化权重的计算过程,提出基于滑动窗口的快速Learn++.NSE算法(SW-Learn++.NSE).该算法仅考虑使用单个基分类器近期窗口内的分类准确率计算投票权重,提高集成学习的效率.实验表明,相比Learn++.NSE,在取得同等分类准确率的情况下,文中算法分类学习的效率更高.     

移动环境下基于共享客户信息的空间位置查询

针对移动环境下空间位置查询不能及时得到响应等问题,提出了一种基于最共享邻近客户信息的空间位置查询算法(SRNN)。该算法充分利用客户本身所具有的通信和计算能力,共享周围客户的信息,减轻了中心服务器的负担,同时降低了移动客户的等待时间。实验结果表明,SRNN算法是可行有效的。     

一种基于粗糙集理论的决策树构造方法

采用粗糙集理论中的属性重要度作为挑选测试属性的指标来构造决策树,形成了一种新的决策树分类算法S_D_Tree,在计算挑选测试属性的时间复杂度为O(|C||n|)。实验结果表明,该算法可以构建一个较简洁的决策树,与C4.5算法相比较,具有更好的预测准确率。