新一代综合智能业务平台构想与展望

一、电信运营商的挑战和机遇1.多种网络和技术并存的局面无论是固网运营商还是移动运营商,在下一代网络的演进过程中,必然存在多种网络共存的情况(从PSTN到GSM、CDMA、NGN、3G、Internet)。总之,在多种网络并存的情况下,首先应以业务为龙头来牵引网络的建设和发展,在兼顾经济效     

基于改进的BP网络模型的分类器的设计与实现

用改进的ＢＰ网络模型作了分类器。改进的模型拓扑结构最简，学习速率快，分类准确率高。     

动态粒度支持向量回归机

粒度支持向量机(granular support vector machine,简称GSVM)可以有效提高支持向量机(support vectormachine,简称SVM)的学习效率,但由于经典GSVM 通常将粒用个别样本替代,且粒划和学习在不同空间进行,因而不可避免地改变了原始数据分布,从而可能导致泛化能力降低.针对这一问题,通过引入动态层次粒划的方法,设计了动态粒度支持向量回归(dynamical granular support vector regression,简称DGSVR)模型.该方法首先将训练样本映射到高维空间,使得在低维样本空间无法直接得到的分布信息显示出来,并在该特征空间中进行初始粒划.然后,通过衡量样本粒与当前回归超平面的距离,找到含有较多回归信息的粒,并通过计算其半径和密度进行深层次的动态粒划.如此循环迭代,直到没有信息粒需要进行深层粒划时为止.最后,通过动态粒划过程得到的不同层次的粒进行回归训练,在有效压缩训练集的同时,尽可能地使含有重要信息的样本在最终训练集中保留下来.在基准函数数据集及UCI 上的回归数据集上的实验结果表明,DGSVR 方法能够以较快的速度完成动态粒划的过程并收敛,在保持较高训练效率的同时可有效提高传统粒度支持向量回归机(granular support vector regression machine,简称GSVR)的泛化性能.     

基于动态拓扑图的人体骨架动作识别算法

传统的人体骨架动作识别算法采用手动构建拓扑图的方式来建模包含在多个视频帧中的动作序列,并针对性地学习每个视频帧以反映数据变化,这容易造成计算代价大、网络泛化性低和灾难性遗忘等问题.针对上述问题,提出了基于动态拓扑图的人体骨架动作识别算法,使用持续学习思想动态构建人体骨架拓扑图.将具有多关系特性的人体骨架序列数据重新编码...     

一类新的基于拉盖尔正交多项式的核函数

基于拉盖尔正交多项式,提出了广义的拉盖尔多项式,由此建立了一类新的核函数—拉盖尔核函数。在双螺旋集和标准UCI数据集上的实验表明,该核函数比常用的核函数(多项式核、高斯径向基核等)具有更强的鲁棒性与更好的泛化性能,而且该核函数的参数仅在自然数中取值,能大大缩短参数优化时间。     

一种处理结构化输入输出的中文句法分析方法

中文句法结构复杂,特征维数较高,目前已知最好的汉语句法分析效果与其他西方语言相比还有一定的差距。为进一步提高中文句法分析的效率和精度,该文提出一种采用二阶范数软间隔优化的结构化支持向量机(StructuralSupportVectorMachines,StructuralSVMs)方法对基于短语结构的中文句法进行分析,通过构造结构化特征函数ψ(x,y),体现句法树的输入信息,并根据中文句子本身具有的强相关性,在所构造的ψ(x,y)中增加中文句法分析树中父节点的信息,使ψ(x,y)包含了更加丰富的结构信息。在宾州中文树库PCTB上的实验结果表明,该文方法与经典结构化支持向量机方法以及BerkeleyParser相比可取得较好的效果。     

弧齿锥齿轮传动箱壳体的切削工艺

我们生产各种便携式割灌机、割草机，传动箱体作为传动系统的载体部件，因其尺寸、形位公差精度要求高，工位间的定位基准要求统一，所以，传动箱体的切削加工一直是一个比较薄弱的环节。以前，割灌机的社会需求量比较小，品种单一，我们采用两台带有U轴的进口加工中心加工传动箱体，尚能勉强满足生产的需要，但存在生产率低下，生产成本高的缺陷。     

SPIHT算法研究及改进

由于SPIHT算法中存在的重复扫描和编码冗余,使得算法复杂度较高,工作效率较低.为了使算法更易于软、硬件的实现,通过调整小波系数矩阵的排序过程,使小波系数按从大到小排列,从而减少排序扫描的次数.实验表明,本算法在保持较高的信噪比的同时,仍具有较快的计算速度,明显的降低了处理复杂度,并节省了存储空间.     

一种利用SPXY采样的标签噪声主动清洗方法

基于主动学习的标签噪声清洗方法(Active label noise cleaning,ALNC)是一种通过主动学习筛选疑似噪声样本,进而交给人工专家进行再标记的标签噪声清洗方法.虽然该方法既有很好的噪声识别效果又能保持原有数据的完整性,但仍存在人工额外标记代价较高的问题,即筛选出的疑似噪声样本中存在一定比例的正常样本...     

基于时序窗口的概念漂移类别检测

流数据作为一种新型数据,在各个领域均有应用,其快速、大量及持续不断的特点使得单遍精准扫描成为在线学习算法的必备特质.在流数据不断产生过程中,往往会发生概念漂移,目前对于概念漂移节点检测的研究相对成熟,然而实际问题中学习环境因素朝不同方向发展往往会导致流数据中概念漂移类别的多样性,这给流数据挖掘及在线学习带来了新的挑战.针对这个问题,提出一种基于时序窗口的概念漂移类别检测(concept drift class detection based on time window, CD-TW)方法.该方法借助栈和队列对流数据进行存取,借助窗口机制对流数据进行分块学习.首先创建2个分别加载历史数据和当前数据的基础节点时序窗口,通过比较二者所包含数据的分布变化情况来检测概念漂移节点.然后创建加载漂移节点后部分数据的跨度时序窗口,通过分析该窗口中数据分布的稳定性检测漂移跨度,进而判断概念漂移类别.实验结果表明该方法不仅能够精确定位概念漂移节点,同时在漂移类别判断方面也表现出良好性能.