基于MDA数据库概念模型可视化设计

该文提出了一种基于MDA数据库概念模型可视化设计解决方案。使得数据库概念模型相当于MDA中的PIM模型;物理模型相当于MDA的PSM模型。概念模型和物理模型之间的相互转化可以自动完成。提高数据库设计的效率和数据库文档一致性。     

平均邻近间隔支撑向量机

近年来,支撑向量机(SVMs)作为一种学习方法已经在机器学习和模式识别的研究领域中得到了成功的运用,然而传统SVMs缺少考虑数据的局部信息.文中将邻近间隔的基本思想引入到SVMs中,提出了平均邻近间隔支撑向量机(ANMSVMs).ANMSVMs继承了传统SVMs的优点,同时又充分利用了数据的局部信息,从而实现了泛化能力的进一步提高.人造数据和真实数据集的实验结果验证了该方法的有效性,并且相对于传统SVMs体现出了更强的泛化能力.     

一种改进IKONOS融合影像中植被色偏的IHS算法

在分析几种改进IHS算法的基础上,针对IKONOS影像融合后植被区出现的色偏问题,提出一种改进算法。该算法采用缨帽变换的方法提取植被信息,并对植被区与非植被区分别采用不同的融合策略,最终得到融合影像。实验结果表明,该算法在保持光谱和提高空间细节之间获得较好均衡的同时,植被区的色偏问题也得到改善,具有更好的目视效果,与几种改进的IHS算法对比分析,该算法均优于其他几种改进算法。     

基于热平衡的中智学图像分割方法

为降低噪声对图像分割结果的影响,提出一种基于热平衡理论的中智学图像分割方法。该方法将图像转化为中智学图像,考虑每一个像素的不确定性,通过热平衡运算及图像增强处理,使噪声点变得更平滑,再使用γ-均值聚类方法分割图像。实验结果表明,对于含不同程度噪声的图像,该方法的分割效果明显优于中智学方法及改进的模糊C-均值方法。     

子空间可能性聚类机制研究

可能性C-均值(PCM)聚类作为经典的基于原型的聚类方法,在处理高维数据集时性能骤降,无法检测出高维空间中嵌入的有效子空间。针对此不足,在PCM基础上引入子空间聚类机制,提出子空间可能性聚类算法SPC。该方法保留了PCM方法的优点,且对高维数据具有较好的适应性,能够有效检测各类所处的子空间。仿真实验验证了SPC算法的有效性。     

核参数优化选取的混合C均值核模糊聚类算法

为了减小噪声点对聚类中心的影响,可能性聚类算法(PCM)把可能隶属关系引入到聚类的过程中,但是其往往趋向找到相同的集群。PFCM算法同时利用隶属度与可能性把数据点划分到不同的集群中,提高了算法的抗噪能力,但PFCM算法对发现大小不相等的集群并不十分理想。针对上述问题,提出了一种核参数优化选取的混合C均值核模糊聚类算法,该算法通过利用优化选取核参数的核函数把在原始空间中非线性可分的群体转化成高维空间中同质集群。实验结果表明,该算法能更好地发现融入噪音数据集的聚类中心,获得数据集质量更好的划分。     

基于PLC的矿井自动排水系统设计

采用PLC自动检测水井水位和其它参数,根据水井水位的高低、矿井用电信息等因素,建立数学模型,合理调度水泵运行,实现对矿井排水系统的全自动控制,可以达到节省人力资源和避峰填谷节能的目的,具有一定的推广应用价值.     

面向属性效应控制的等均值约束支持向量回归机

针对现有的属性效应控制方法无法有效控制非线性回归建模的属性效应问题, 基于间隔最大化和结构风险最小化原则, 通过向SVR 目标学习准则中施加等均值条件约束, 提出等均值支持向量回归机(EM-SVR). 所提出的方法具有较好的泛化能力, 同时继承了EM-LS 的良好性能. 实验结果验证了所提出方法的有效性.

     

一种基于同类约束的半监督近邻反射传播聚类方法

以近邻反射传播 (Affinity propagation, AP) 聚类算法为基础, 提出了一种基于同类约束的半监督近邻反射传播聚类方法 (Semi-supervised affinity propagation clustering method with homogeneity constraints, HCSAP).该方法在聚类目标函数中引入同类约束项, 以保证聚类结果与同类集先验信息一致.利用最大和信任传播 (Max-sum belief propagation) 优化过程对目标函数进行求解, 导出同类约束下的吸引度 (Responsibility) 和归属度 (Availability) 的迭代方程.人工数据集和真实数据集上的实验结果表明本文所提方法的有效性.     

基于相似度差的大间隔快速学习模型

许多模式分类方法比如支持向量机和L₂核分类器等都会利用核方法并转化为二次规划问题进行求解,而计算核矩阵需要O(m²)的空间复杂度,求解QP问题则需要O(m³)的时间复杂度,这就使得此类方法在大样本数据上的学习性能非常低下。对此,首次提出了相似度差支持向量机算法DSSVM。算法旨在寻求样本与某类相似度的一个最佳线性表示,并从线性表示的稀疏性以及相似度差意义上的间隔最大化角度构造了新的最优化问题。同时,证明了该算法等价于中心约束型最小包含球问题,这样就可以通过引入最小包含球的快速学习理论将相似度差支持向量机扩展为相似度差核支持向量机DSCVM,从而较好地解决了大规模数据集的分类问题。实验证明了相似度差支持向量机和相似度差核支持向量机的有效性。