一种基于多进化神经网络的分类方法

分类问题是目前数据挖掘和机器学习领域的重要内容.提出了一种基于多进化神经网络的分类方法CABEN(classification approach based on evolutionary neural networks).利用改进的进化策略和Levenberg-Marquardt方法对多个三层前馈神经网络同时进行训练.训练好各个分类模型以后,将待识别数据分别输入,最后根据绝对多数投票法决定最终分类结果.实验结果表明,该方法可以较好地进行数据分类,而且与传统的神经网络方法以及贝叶斯方法和决策树方法相比,在     

时态信息系统转换方法的改进

利用Rough Set方法分析时间序列,已经取得了成果。时态信息系统(TIS)是时间序列的形式化表示。将时态信息系统转化为传统的信息系统(IS),是将Rough Set方法应用于时间序列挖掘的基础。目前,已有的将TLS转换为IS的方法,依赖于固定的时间间隔,具有一定的局限性。本文在已有算法的基础上,提出了两种改进方法,并结合Rough Set理论,使之适用于一般的时间序列的挖掘。     

近红外光谱技术在二组分混纺面料纤维成分含量快检中的应用

研究利用近红外漫反射光谱分析技术针对常见二组分混纺面料棉涤、棉氨、氨涤等纤维成分含量快速检测进行研究,采用偏最小二乘法算法建立定量分析模型,从采谱方式、预处理方法、波段选择、主因子选择、分段建模等方面提高模型的准确度,以模型的关键评价参数交互检验标准偏差SECV、模型预测标准偏差SEP及模型分辨能力指标RPDC作为指标,选择最优化模型参数,得到棉涤模型的预测平均偏差小于1.5%。棉氨模型的预测平均偏差小于0.7%、氨涤模型的预测平均偏差小于1.2%,可为纺织品成分快速检测提供参考。     

基于GDT的不完整信息系统规则发现

提出了一个基于GDT的从不完整信息系统进行规则发现的方法。该方法利用GDT的思想,通过概括强度、规则置信度和规则强度等概念,充分考虑到数据不完整性和噪音引起的不确定性,在不改变原信息系统大小的前提下,直接从不完整信息系统中得到简洁实用的规则。最后,通过一个例子阐述了该方法的实施过程,并将该方法与提及的其它几种不从不完整信息系统中发现规则的方法进行了分析比较。分析表明该方法是一种新的有效的从不完整信息系统抽取规则的途径。     

决策风险最小化属性约简

决策粗糙集模型下目前定义的属性约简都要求约简前后正区域保持不变或者非负区域不变等,而属性约简所带来的区域变化的好坏却无法判断,只能人为地偏向于保持或增大正区域或非负区域,这在理论性和可解释性上存在一定的困难。属性减少所带来的前后区域变化实际上是由决策风险所决定的,基于此提出一种与各个区域无关基于决策风险最小化的属性约简,使得决策者基于约简后的属性集合所作的决策风险最小。约简只与决策风险相关,不再通过区域变化来解释,使得定义的约简在理论性和可解释性上更强。     

一种基于进化算法的连续属性离散化方法

连续属性离散化是知识系统中的一个重要环节,一个好的离散化方法能够起到简化知识和描述和便于对知识系统的处理。而求取连续属性值的最优断点集合是一个NP难题,本文把连续属性值离散化问题作为一种约束优化问题,采用遗传算法来获得最优解,并针对离散化问题设计了相应的编码方式、交叉算子和变异算子。实验结果表明,采用遗传算法求解连续属性值最优断点集合是可行的。     

基于粗糙集属性约减和神经网络集成的人脸识别技术*

提出了一种基于粗糙集的属性约简方法对经由PCA处理后的人脸特征进行提取,随后使用一种神经网络集成的方法对约简后的人脸数据进行识别。实验结果表明,使用该方法约简后的数据与使用仅由PCA处理后的数据相比,两者获得的识别精度基本相同,而前者的数据属性维数远小于后者,从而大大降低了识别过程的复杂程度。     

一种基于动态词典和三支决策的情感分析方法

提出了一种新的特征提取方式,与三支决策思想相结合,运用在文本情感分析中,以提高分类器的效率。根据训练集合创建动态情感词典,然后根据情感词典提取文本的抽象特征,形成特征矩阵。在分类过程中,如果分类器对于目标文本的所属分类确信程度不够高,那么分类器会利用三支决策的思想,将文本置于边界域中,等待别的处理方法。实验结果表明,在英文影评数据集上,基于动态词典的特征提取方法可以取得更好的分类准确率,而且三支决策规则可将一些样例放入边界域,提高了分类准确率。     

基于Hadoop平台的海量文本分类的并行化

文本分类是信息检索与数据挖掘的研究热点与核心技术,近年来得到了广泛的关注和快速的发展。近来年 随着文本数据呈指数增长,要有效地管理这些数据,就必须在分布式环境下用有效的算法来处理这些数据。在Ha- doop分布式平台下实现了一简单有效的文本分类算法—TFIDF分类算法,即一种基于向量空间模型的分类算法, 它用余弦相似度得到分类结果。在两个数据集上做了实验,结果表明,这一并行化算法在大数据集上很有效并可以在 实际领域中得到良好的应用。     

基于特征融合的多模态身份识别方法研究

研究了多模态身份识别问题,结合人脸和掌纹两种不同生理特征,提出了基于特征融合的多模态身份识别方法。对人脸和掌纹图像分别进行Gabor小波、二维主元变换(2DPCA)提取图像特征,根据新的权重算法,结合两种模态的特征,利用最邻近分类器进行分类识别。在AMP、ORL人脸库和Poly-U掌纹图像库中的实验结果表明,两种模态的融合能更多地给出决策分析所需的特征信息相比传统的单一模态的人脸或掌纹识别具有较高的识别率,更具安全性和准确性。