基于放大因子和延伸方向研究流形学习算法

流形学习是一种新的非监督学习方法,可以有效地发现高维非线性数据集的内在维数和进行维数约简,近年来越来越受到机器学习和认知科学领域研究者的重视．虽然目前已经出现了很多有效的流形学习算法,如等度规映射（ISOMAP）、局部线性嵌套（Locally Linear Embedding,LLE）等,然而,对观测空间的高维数据与降维后的低维数据之间的定量关系,尚难以直观地进行分析．这一方面不利于对数据内在规律的深入探察,一方面也不利于对不同流形学习算法的降维效果进行直观比较．文中提出了一种方法,可以从放大因子和延伸方向这两个方面显示出观测空间的高维数据与降维后的低维数据之间的联系;比较了两种著名的流形学习算法（ISOMAP和LLE）的性能,得出了一些有意义的结论;提出了相应的算法从而实现了以上理论．对几组数据的实验表明了研究的有效性和意义．     

基于混合投影函数的眼睛定位

介绍一种精确定位眼睛的方法.眼睛定位是很多人脸检测算法的关键步骤.在获得眼睛窗口之后,可以利用投影方法来定位眼睛.提出一种混合投影函数,该函数结合了积分投影函数和方差投影函数,能够反映出图像在某个方向上灰度均值和方差的综合变化情况.实验结果表明,利用混合投影函数可以相当精确地确定眼睛中心的位置.     

一种基于正则化的半监督多标记学习方法

多标记学习主要用于解决单个样本同时属于多个类别的问题.传统的多标记学习通常假设训练数据集含有大量有标记的训练样本.然而在许多实际问题中,大量训练样本中通常只有少量有标记的训练样本.为了更好地利用丰富的未标记训练样本以提高分类性能,提出了一种基于正则化的归纳式半监督多标记学习方法——MASS.具体而言,MASS首先在最小化经验风险的基础上,引入两种正则项分别用于约束分类器的复杂度及要求相似样本拥有相似结构化多标记输出,然后通过交替优化技术给出快速解法.在网页分类和基因功能分析问题上的实验结果验证了MASS方法的有效性.     

一种新型自适应神经网络回归估计算法

结合自适应谐振理论和域理论的优点,针对回归估计问题的特性,提出了一种新型神经网络回归估计算法ＦＴＡＲＴ３．该算法学习速度快、归纳能力强,不仅具有增量学习能力,还克服了ＢＰ类算法需要人为设置隐层神经元的缺陷,直线、下弦、二维墨西哥草帽、三维墨西哥草帽等４个实验表明,ＦＴＡＲＴ３在函数近似效果和训练时间代价上都优于目前常用于因归估计问题的ＢＰ类算法。     

基于词频分类器集成的文本分类方法

提出了一种基于词频分类器集成的文本分类方法．词频分类器是在对文本中的单词和它在每个文本中出现的频率进行统计后得到的简单分类器．虽然词频分类器本身泛化能力不强,但它不仅计算代较小,而且在训练样本甚至类别增加时易于进行更新,而整个学习系统的泛化能力可以由集成学习机制来提高,因此,词频分类器很适合用做集成学习的基分类器．在集成时,使用了改进的AdaBoost算法,加入了一种强制重新分布权的机制,避免算法过早停止,更加适合文本分类任务．在标准文集Reuters-21578上的实验结果表明,该方法能取得很好的效果．     

基于SOM神经网络的颜色图像分割

1.引言基于内容的图像检索(Content-Based Image Retrieval)已广泛应用于生化、军事、文化、教育等领域。其原理是利用图像自身的特征,如颜色、纹理、形状及对象空间关系等信息,建立图像的特征矢量以进行检索。它与传统的基于文本的图像检索相比,能够更充分地利用图像的语义信息。在CBIR方法中,用户检索时通常可以提供样本图像,检索系统将该样本图像同图像库中的图像按一定方法进行比较,将与样本图像相似的图像返回给用户。     

单轴循环载荷与渗透水压下预应力裂隙岩石破坏试验研究

为研究受地应力与渗透水压耦合作用下的深部岩体受到爆破等动力扰动的力学响应,研制了渗透水压加载装置,对含裂纹类岩石材料的混凝土试样加载预应力后,进行有渗透水压作用和无渗透水压作用下单轴循环加卸载压缩破坏对比试验。试验结果表明,在试样弹性阶段加载有限次循环载荷有助于类岩石材料的强化;在有渗透水压作用下,单轴循环加卸载后岩石的强度降低,降低的程度与循环载荷加载时预应力的大小有关,在弹性阶段加载循环载荷的岩石强度高于在损伤阶段加载循环载荷的岩石强度,而且在渗透水压作用下岩石的应变大于无渗透水压作用下岩石的应变。具有岩爆倾向性的岩石可以通过加载、卸载产生损伤以降低其岩爆倾向性,同时低渗透水压的作用可使岩爆降低程度更剧。     

收费政策在供热计量中的作用

认为技术节能和政策节能是供暖切能中的两大因素。通过对有／无节能设备的供暖住宅的实验研究,调节设备和收纲政策的节能效果相当的结论,为供暖计量中收费政策的制定提供了依据。     

一种针对弱标记的直推式多标记分类方法

多标记学习主要解决一个样本可以同时属于多个类别的问题,它广泛适用于图像场景分类、文本分类等任务.在传统的多标记学习中,分类器往往需要利用大量具有完整标记的训练样本才能获得较好的分类性能,然而,在很多现实应用中又往往只能获得少量标记不完整的训练样本.为了更好地利用这些弱标记训练样本,提出一种针对弱标记的直推式多标记分类方法,它可以通过标记误差加权来补全样本标记,同时也能更好地利用弱标记样本提高分类性能.实验结果表明,该方法在弱标记情况下的图像场景分类任务上具有较好的性能提高.     

基于神经网络集成的肺癌早期诊断

将病理性诊断与计算机技术相结合以实现肺癌的早期诊断，首先利用数字图像技术对肺癌穿刺样本进行处理，提出取形态和色度特征，然后通过一种二级集成结构和特殊的投票方式，用神经网络集成对细胞图象进行分析，实验和原型系统试用表明，方法的总误诊率和肺癌患者漏诊率均低于单一神经网络方法和常用的神经网络集成方法。