羊栖菜提取物体外自由基清除能力的研究

通过不同溶剂对羊栖菜有效成分进行提取,并采用DPPH(二苯代苦味酰自由基)体系、羟基自由基体系、烷基自由基引发的亚油酸氧化体系、超氧阴离子自由基体系对各提取物的抗氧化性进行研究,并同VE、TBHQ(特丁基对苯二酚)、茶多酚进行了比较,结果得出羊栖菜粗提物只在DPPH体系和烷基自由基引发的亚油酸氧化体系中具有清除作用,其中以0 5%Na2CO3(W/V)为溶剂的提取物抗氧化能力最好,而以DPPH体系作为检测系统最为稳定,效果最佳     

基于卷积神经网络交互的用户属性偏好建模的推荐模型

潜在因子模型（LFM）以其优异的性能在推荐领域得到了广泛应用。在LFM中除了使用交互数据以外,辅助信息也被引入用于解决数据稀疏的问题,从而提升推荐的性能。然而,大多数LFM仍然存在一些问题：第一,LFM在对用户进行建模时,忽略了用户如何根据其特征偏好对项目作出决策;第二,采用内积的特征交互假设特征维度之间是相互独立的,而没有考虑到特征维度之间的关联。针对上述问题,提出一种新的推荐模型：基于卷积神经网络（CNN）交互的用户属性偏好建模的推荐模型（UAMC）。该模型首先获得用户的一般偏好、用户属性和项目嵌入,然后将用户属性和项目嵌入进行交互,以探索用户不同的属性对不同项目的偏好;接着将交互过的用户偏好属性送入CNN层来探索不同偏好属性的不同维度的关联,从而得到用户的属性偏好向量;接着使用注意力机制结合用户的一般偏好和CNN层得到的属性偏好,从而获得用户的向量表示;最后采用点积来计算用户对项目的评分。在Movielens-100K、Movielens-1M和Book-crossing这三个真实的数据集上进行了实验。实验结果表明,所提模型在均方根误差（RMSE）上与稀疏数据预测的神经网络分解机（NFM）模型相比分别降低了1.75%、2.78%和0.25%,验证了在LFM的评分预测推荐中,UAMC在提升推荐精度上的有效性。     

基于Logistic模型的印楝农药专利技术生命周期预测

[目的]为表征世界和中国印楝农药专利发展特征.[方法]基于Innography、CNIPR专利数据库检索近20年的印楝农药专利,采用OriginPro 9.1软件,通过统计图表示印楝农药专利的专利权人分布、专利技术生命周期;进行线性回归分析和曲线回归分析,定量表达印楝农药专利数量变量与相应专利出版时序(数值化日期)变量...     

一种新的决策树选择性集成学习方法

个体学习器的差异度是集成学习中的关键因素。流行的集成学习算法如Bagging通过重取样技术产生个体学习器的差异度。选择性集成从集成学习算法产生的个体学习器中选择一部分来集成,结果表明比原集成更好。但如何选择学习器是个难题。使用Q统计量度量两个学习器的差异度,提出一种新的决策树选择性集成学习方法。与C4.5,Bagging方法相比,表现出很好的效果。     

一种构造性的概率决策自组织分类器

从输入的原始信息得到特征通常需要复杂的非线性运算，直接找到这种算法是很困难的。而M-P神经元模型的几何意义指出：构造一个网络，使对给定的样本集能进行符合要求的分类，等价于求出一组领域，对给定样本集中的点，能按分类的要求用领域覆盖将它们分隔开来。但是，在实际的大规模应用中，如时间序列预测的典型问题—股票预测，其给定的样本集中可能含有异动点，会引起错误的学习结果，因此，有必要引入自组织和概率决策化方法，提高分类的正确性，同时还可降低神经网络的结构规模，提高识别的速度。作者给出一种构造性的概率决策自组织分类器SPDC(A Self-adjusting and Probabilistic Decision-making Classifier)，重点讨论了在覆盖算法中引入自组织和概率决策化方法。     

不同粒度世界的描述法--商空间法

面对复杂对象，如何描述对象往往成为解决问题的基础，为此，该文提出了一种不同粒度世界的描述方法——商空间法．在商空间法中用一个三元组(X，f，T)描述一个问题，在其论域上引入等价关系R，对应于R的商集[X]，然后将[X]当作新的论域，对它进行分析、研究，从而将问题表述成不同的粒度世界，进而达到简化问题、解决问题的目的．与粗糙集、决策树等方法相比较，商空间法具有更强的表达能力，它不仅可以定义多种不同的属性函数，而且可以描述论域中的元素、元素之间的相互关系(即结构)、运算等．该文介绍粒度世界的描写、划分法、粒度确定以及不同粒度世界的关系．最后给出了粒度世界的描述实例——互联网中的路由算法及称球游戏，以验证商空间方法的有效性．     

数据挖掘技术在保险客户信用评估的应用

目前,数据挖掘技术广泛应用于各个领域中.文中将数据挖掘应用于保险客户在信用等级的分类中,即采用了基于神经网络的覆盖算法作为客户信用评分分类器的设计算法.通过对保险数据的分析,对保险用户信用等级进行分类,降低了人为因素的评价干扰.通过分类实验表明,覆盖算法的准确性和网络训练速度都大大高于SVM.为保险公司有针对性的调查提供了一定的参考依据.     

基于覆盖的构造性学习算法SLA及在股票预测中的应用

覆盖算法是神经网络学习算法中的一个十分有效的方法，它克服了基于搜索机制的学习方法和规划学习方法计算复杂性高，难以用于处理海量数据的不足，为神经网络提供一个构造性的学习方法，但该方法是建立在所有训练样本都是精确的假设上的，未考虑到所讨论的数据具有不精确的情况，若直接将该方法应用于数据不精确情况，所得到效果不理想．主要讨论数据具有不精确情况下的时间序列的预测问题，为此将原有的覆盖算法进行改进，引入“覆盖强度”和“拒识样本”的概念，并结合这些新概念给出相应的覆盖学习算法(简称SLA)，最后将SLA算法，应用于金融股市的预测，具体应用到以上(海)证(券)综合指数构成的时间序列的预测，取得了较好的结果，这表明了SLA方法的可行性和应用前景。     

基于交叉覆盖算法的文本分类

分类是文本信息搜索和挖掘的核心内容,被广泛应用于搜索引擎的设计以及数据挖掘的研究中。首先对文本进行分词,对分词的结果采用x2统计量的方法提取特征,再使用前向神经网络的交叉覆盖算法作为分类器进行文本分类。实验表明,x2统计量可大规模降低特征维数,在此基础上结合交叉覆盖算法的优秀分类能力,可在特征维数较低的情况下获得一个性能较好的文本分类器。     

电力系统发电机组检修计划优化算法研究

在充分分析电力系统发电机组检修计划的内容,特点的基础上,从实用性与有效性的角度出发,建立发电机组检修计划的优化模型,提出了求解两类检修计划优化问题的新方法。算例这两种方法是实用和有效的。