一种基于矩阵低秩近似的聚类集成算法

 首先将聚类集成问题归结为直观的最佳子空间的求解问题;随后根据线性代数理论将该问题描述为带约束条件的优化问题,通过放松离散约束条件进一步约简为矩阵低秩近似问题;最后通过求解超图的加权邻接矩阵的奇异值分解问题获得最佳子空间的一组标准正交基.据此,设计了一个基于矩阵低秩近似的算法,该算法根据每个对象在低维空间下的坐标使用K均值算法进行聚类,从而得到最终的结果.在多组基准数据集上的实验结果表明:较之于传统的聚类集成算法,本文的算法获得了更好的聚类结果,且效率较高.     

一种加油站油罐卸油时防止溢油的解决办法

简要介绍了加油站在卸油时容易发生的几种事故及为防止产生溢油的新设备——卸油自动防溢阀的工作原理和在加油站中的应用，新设备的安装和使用会为加油站的安全运营与管理提供更有益的保障。     

基于VB的AutoCAD之菜单、工具条生成器的二次开发

运用AutoCAD的用户不同,对其菜单、工具条的需求也各异.然而,若不同用户均根据自身需求进行编程开发,则费时又费力.提出运用VB技术,设计、开发出了通用的AutoCAD菜单、工具条生成器的组件,用户可在使用AutoCAD时运用该组件,不需要任何编程即可方便、快捷地生成所需的AutoCAD菜单和工具条.从而解决了AutoCAD用户对菜单和工具条等重复的二次开发问题.     

面向类别不平衡数据的主动在线加权极限学习机算法

针对在样本类别分布不平衡场景下,现有的主动学习算法普遍失效及训练时间过长等问题,提出采用建模速度更快的极限学习机,即ELM(Extreme Learning Machine)作为主动学习的基分类器,并以加权ELM算法用于主动学习过程的平衡控制,进而在理论上推导了其在线学习的过程,大幅降低了主动学习的时间开销,并将最终的混合算法命名为AOW-ELM算法。通过12个基准的二类不平衡数据集验证了该算法的有效性与可行性。     

融合粒度分组与Pareto最优的属性选择

利用某一给定度量作为属性评价指标以及启发式算法的约束条件,是大量属性选择方案的关键.然而,属性相似性评价的缺失与朴素的逐个选择机制,使属性遍历存在冗余,故时间消耗巨大.此外,单一度量限制了属性评价视角,难以挖掘出高学习性能的属性.鉴于此,提出一种属性选择框架,其中:1)利用属性粒度及属性间的知识距离对属性分组,组内属性具有明显差异性且组间属性具有较强区分能力,使属性遍历以组为单位,有效压缩候选属性搜索空间,提升属性选择效率;2)利用提出的受限Pareto最优原则,对属性组进行迭代选取,最终得到期望的属性子集.在12组UCI数据集上,通过注入4种不同比例的属性噪声进行实验,结果表明:相较于8种流行方法,所提出方法得到的属性选择结果,在分类稳定性这一指标上平均提升了 5.89％,在分类准确率这一指标上平均提升了 12.28％,在时间消耗这一指标上平均降低了 59.27％.