一种分布式Web日志挖掘系统的设计与实现

Web挖掘已从早期的理论研究逐步转向实用阶段,可以利用对Web日志的挖掘发现用户的浏览模式、分析站点的使用情况。有效的Web日志挖掘工具是Web日志挖掘应用成功的关键。针对Web日志挖掘工具存在的问题与不足,提出了一种新颖的基于移动Agent技术的分布式Web日志挖掘系统（MAWLMS）的体系结构。重点阐述了移动代理层的设计,详细说明了移动Agent挖掘算法的设计与实现,包括最大向前路径识别算法和频繁遍历路径发现算法。最后对MAWLMS系统进行了验证,实验结果显示基于MAWLMS系统的分布式Web日志挖掘是可行且有效的。     

一种分布式智能推荐系统的设计

为提高支持向量回归算法的学习能力和泛化性能,提出了一种优化支持向量回归参数的混合选择算法.根据训练样本的规模和噪声水平等信息,确定支持向量回归参数的取值范围,用实数编码的免疫遗传算法搜索最佳参数值.混合选择算法具有较高的精度和效率,在选择支持向量回归参数时,不必考虑模型的复杂度和变量维数.仿真实验结果表明,该算法是选择支持向量回归参数的有效方法,应用到函数逼近问题时具有优良的性能.     

多核局部领域适应学习

领域适应(或跨领域)学习旨在利用源领域(或辅助领域)中带标签样本来学习一种鲁棒的目标分类器,其关键问题在于如何最大化地减小领域间的分布差异.为了有效解决领域间特征分布的变化问题,提出一种三段式多核局部领域适应学习(multiple kernel local leaning-based domain adaptation,简称MKLDA)方法:1)基于最大均值差(maximum mean discrepancy,简称MMD)度量准则和结构风险最小化模型,同时,学习一个再生多核Hilbert空间和一个初始的支持向量机(support vector machine,简称SVM),对目标领域数据进行初始划分;2)在习得的多核Hilbert空间,对目标领域数据的类别信息进行局部重构学习;3)最后,利用学习获得的类别信息,在目标领域训练学习一个鲁棒的目标分类器.实验结果显示,所提方法具有优化或可比较的领域适应学习性能.     

局部保留最大信息差υ-支持向量机

针对现有模式分类方法不能较好地保持数据空间的局部流形信息或差异信息等问题,提出一种基于流形学习的局部保留最大信息差υ-支持向量机(Locality-preserved maximum information variance υ-support vector machine,υ-LPMIVSVM).对于模式分类问题,v-LPMIVSVM引入局部同类离散度和局部异类离散度概念,分别体现输入空间局部流形结构和局部差异(或判别)信息,通过最小化局部同类离散度和最大化局部异类离散度,优化分类器的投影方向.同时,υ-LPMIVSVM采用适于流形数据的测地线距离来度量数据点对间的相似性,以更好地反映流形数据的本质结构.人造和实际数据集实验结果显示所提方法具有良好的泛化性能.     

总间隔模糊超球学习机

为解决传统支持向量机易出现学习“过拟合”和丢失数据统计特征等问题,通过引入模糊隶属度和总间隔思想,提出一种基于总间隔的最大间隔最小包含模糊球形学习机(TMF-SSLM),使得一类(正类)被包含于一个最小包含超球内,而另一类(负类)与该超球间隔最大化,从而同时实现类间间隔的增大和正负两类类内体积的缩小。通过使用差异成本,解决不平衡训练样本问题。引入总间隔和模糊性惩罚,克服传统软间隔分类机的过拟合问题,显著提升球形学习机的泛化能力。采用UCI实际数据集分别对二类和一类模式分类进行实验,结果显示TMF-SSLM具有优于相关方法的稳定分类性能。     

基于移动Agent的个性化数字学习模型研究

在开放、动态的学习资源网络环境中,个性化服务支持对在线学习者尤其重要.讲述了在基于web服务技术的分布式学习环境中如何构造一个分布式的个性化数宁学习环境.在建立服务代理的功能模型的基础上,构造了一种基于多移动Agent的个性化数字学习(E-Learning)框架模型,阐述了其工作流程并进行了结构分析;引入Petri网模型,设计了基于移动Agent的联邦组建与动态服务合成算法;说明了系统实现的技术手段与方法.从对系统模型雏形的应用与性能监测来看,系统模型实现切实可行且运行性能良好.     

具有特征选择的多源自适应分类框架

对于现有的多源自适应学习方案无法有效区分多个源域中的有用信息并迁移至目标域的问题，提出一种具有特征选择的多源自适应分类框架（MACFFS），并将特征选择和共享特征子空间学习整合到统一框架中进行联合特征学习。具体来说，MACFFS将来自多个源域的特征数据投影至不同的潜在空间中来学习得到多个源域分类模型，实现目标域的分类。然后，将得到的多个分类结果进行整合用于目标域分类模型的学习。此外，框架还利用L_2，1范数稀疏回归代替传统的基于L₂范数的最小二乘回归来提高鲁棒性。最后，把多种现有方法在两项任务中与MACFFS进行实验比较分析。实验结果表明，与现有方法中表现最好的DSM相比，MACFFS节省了接近1/4的计算时间，并且提升了大约2%的识别率。总的来说，MACFFS结合了机器学习、统计学习等相关知识，为多源自适应方法提供了一个新的思路，且该方法在现实场景下的识别应用中比现有方法具有更好的性能。     

基于Web使用挖掘的个性化学习推荐系统

针对当前E learning推荐系统存在的问题，引入多Agent（MAS）系统，提出一种基于Web使用挖掘的集成MAS与Web services的分布式智能推荐系统模型。该模型能动态生成基于用户使用信息的个性化链接页面，有效地帮助学员找到所需的资源信息。提出了一种基于最近最少使用策略的系统推荐算法，包括系统整体实现算法、系统聚类算法及推荐算法。实时性能分析显示该系统运行性能良好。     

一种多Agent系统相关任务的并行调度算法

本文研究多Agent系统(MAS)相关任务调度问题,从时间和空间两方面考虑,提出了一种新颖的多Agent 相关任务的并行调度算法--多Agent相关任务关联矩阵调度算法(Multi-Agent Dependent Tasks Correlation Matdx Scheduling Algorithm,MADTCMSA),利用可变的关联矩阵表示任务的时间需求与Agent的局部存储空间的关系及任务分配的状态.实验显示该算法具有最短或较短的调度长度,并且具有较好的时间均衡性和空间协调性.     

具有磁场效应的ρ-间隔核学习机

针对模式分类问题,提出一种具有磁场效应的p-间隔核学习机(p-MKLM),旨在寻求一个具有磁场效应的最优超平面,受其吸引,使得一类模式离该平面的距离尽可能的小,而另一类模式受其排斥,离该平面的间隔尽可能的大,从而最大可能地实现模式分类.通过引入一个可调节的磁场强度q,减小一类模式的数据分布,从而提升分类性能.分别采用人工数据和实际数据进行实验,所得结果显示,p-MKLM在一类和二类模式分类上的性能均优于或等同于相关方法.