基于并行约简的概念漂移探测

数据流挖掘是当前数据挖掘研究的一个热点,概念漂移检测是数据流挖掘的一个重要研究方向.虽然有不少概念漂移的探测方法,但是它们都有一些共同的缺陷:没有整体上删除冗余属性以及利用外部属性去探测概念漂移(比如利用对外部数据的分类准确率)等.利用粗糙集和F-粗糙集的基本原理和基本方法,把数据流中的滑动窗口当成决策子表簇,提出了一种对数据流进行并行约简、整体删除冗余属性的方法,并运用并行约简后数据流决策子表簇中属性重要性的变化探测概念漂移现象.与传统的方法不同,新方法利用数据的内部特性对概念漂移进行探测.实验结果显示,该方法能够有效地整体删除冗余属性、探测概念漂移现象,并且基于互信息的属性重要性在概念漂移探测效果方面比基于正区域的属性重要性要好些.     

Learning by local kernel polarization

The problem of evaluating the quality of a kernel function for a classification task is considered. Drawn from physics, kernel polarization was introduced as an effective measure for selecting kernel parameters, which was previously done mostly by exhaustive search. However, it only takes between-class separability into account but neglects the preservation of within-class local structure. The ‘globality’ of the kernel polarization may leave less degree of freedom for increasing separability. In this paper, we propose a new quality measure called local kernel polarization, which is a localized variant of kernel polarization. Local kernel polarization can preserve the local structure of the data of the same class so the data can be embedded more appropriately. This quality measure is demonstrated with some UCI machine learning benchmark examples.     

基于支持向量机的手写体相似字识别

本文提出对手写相似汉字进行识别的支持向量机方法。该方法与人工神经网络一样适用于小规模分类,但由于支持向量机依据结构风险最小化原则,因此泛化能力更强。并且,由于支持向量机算法是一个凸二次优化问题,能够保证找到的极值解就是全局最优解。本文用支持向量机算法对三组手写相似汉字进行了识别,取得了较好的结果。     

支持向量机多专家决策算法

多专家决策算法是对多个专家的决策做出综合决策,使决策更符合实际情况.通常的算法使用各专家决策的加权求和法,由于各专家的权值在不同的情况下会有所不同,因此难以应用.本文提出采用基于支持向量机的非线性回归法进行综合决策,克服了权值变化的问题.多专家决策的另一途径是选取最佳的专家决策,本文采用基于支持向量机的非线性分类的方法,可以在不同情况下选取相应的最佳专家决策.本文提出的算法用于"隧道工程岩石力学参数综合处理系统",对若干子系统的结果进行综合,解决了专家权值变化的问题,取得了较精确的结果.     

用于不完整数据的选择性贝叶斯分类器

选择性分类器通过删除数据集中的无关属性和冗余属性可以有效地提高分类精度和效率.因此,一些选择性分类器应运而生.然而,由于处理不完整数据的复杂性,它们大都是针对完整数据的.由于各种原因,现实中的数据通常是不完整的并且包含许多冗余属性或无关属性.如同完整数据的情形一样,不完整数据集中的冗余属性或无关属性也会使分类性能大幅下降.因此,对用于不完整数据的选择性分类器的研究是一项重要的研究课题.通过分析以往在分类过程中对不完整数据的处理方法,提出了两种用于不完整数据的选择性贝叶斯分类器:SRBC和CBSRBC.SRBC是基于一种鲁棒贝叶斯分类器构建的,而CBSRBC则是在SRBC基础上利用X2统计量构建的.在12个标准的不完整数据集上的实验结果表明,这两种方法在大幅度减少属性数目的同时,能显著提高分类准确率和稳定性.从总体上来讲,CBSRBC在分类精度、运行效率等方面都优于SRBC算法,而SRBC需要预先指定的阈值要少一些.     

基于多Agent的分布式数据挖掘模型

论文分析了分布式数据挖掘的优势和所面临的问题,讨论了Agent对分布式数据挖掘性能的增强。又进一步提出了一个基于Agent的分布式数据挖掘形式模型,并结合数据挖掘方法和知识集成技术对该模型进行了深入的分析和讨论。     

入侵检测系统报警信息聚合与关联技术研究综述

报警的聚合与关联是入侵检测领域一个很重要的发展方向·阐述了研发报警聚合与关联系统的必要性通过对报警的聚合与关联可以实现的各项目标;重点讨论了现有的各种报警聚合与关联算法,并分析了各算法的特点;介绍了在开发入侵报警管理系统(IDAMS)中如何根据算法特点选择算法的原则;总结了现有聚合与关联系统的体系结构;简要介绍了IDMEF标准数据格式以及它在报警关联中的作用;最后,介绍了现有聚合与关联系统的发展现状,并提出了研发入侵报警聚合与关联系统所面临的重要技术问题和发展方向·     

一个基于多阶段的多Agent多问题协商框架

多问题协商是电子交易中的关键问题．多Agent技术的不断成熟为这个问题的解决提供了有效的途径．提出了一个以理性Agent为基础的基于多阶段的多问题协商框架,该框架在时间约束下适用于信息不完全的场景,它描述了多问题的价格协商．为了降低多问题协商的复杂性,它将多问题协商分解为多阶段协商,每个阶段的大小（问题数）相同．阶段数和顺序在协商前确定,每个阶段中的问题顺序在协商中确定．在阶段大小相同的情况下,对给定协商问题的分解,框架能给出优化协商议程（agenda）．尤其是框架能为参与协商的Agent建立学习系统（LS）,以增强Agent的学习能力．最后基于这个框架实现了一个原型系统,原型系统证明这个框架是有效的．     

一种基于案例的Agent多议题协商模型

不完全信息条件下的Agent协商最优回价策略一般采用间接学习对手偏好的方式;另一方面,Agent一般拥有或多或少的经验和知识,这将帮助它们取得更好的协商结果.这启发了用基于案例的方法直接学习得到最优回价,提出了不完全信息条件下基于案例和对策论的Agent多议题Pareto最优协商模型.所给出的算法计算复杂度为多项式级,且当案例库规模控制在一定范围内时低于Fatima工作的计算复杂度.实验结果显示,采用该算法的Agent能够取得比人类更优的效用和更短的达成一致时间,且优于Lin等人的实验效果.改进了Fatima等人的工作.     

基于证据理论的本体不一致性度量方法研究

随着语义网技术的发展,本体不一致性问题成为本体研究中的热点之一.度量本体的不一致度是处理本体不一致的基础和前提.在分析证据理论不确定推理方法特点与本体不一致性度量问题特点的基础上,提出了一种基于证据理论的本体不一致性度量ETOICM方法,对相关结果进行了证明,给出了度量的计算公式和实现算法,通过实验将该方法与相关方法进行对比分析,说明了该方法的特点.另外,ETOICM方法的度量结果可以作为权重值,为下一步采用不确定性方法进行本体不一致的诊断修复和推理工作提供依据.