基于关联规则的数据挖掘技术的快速算法

提出了一种改进的Apriori算法的数据挖掘模式，探讨了对其中的生成候选频繁项目集、生成强关联规则等几个关健步骤运用标准SQL语言的算法实现。     

基于小波变换的不同融合规则的图像融合研究

图像融合是一种重要的增强图像信息的方法。提出了一种基于多尺度分解的像素图像融合方法。利用小波变换按照不同融合规则及融合算子构造融合图像对应的小波系数。通过对可见光图像与红外图像进行融合的实验比较表明，以像素的局部能量为准则的融合效果更好，既可避免传统融合规则的信息损失，又提高了融合图像的空间分辨率和清晰度，融合图像更符合人的视觉特性，也有利于机器视觉。     

面向高维数据的Takagi-Sugeno模糊系统建模新方法

对高维数据进行建模是Takagi-Sugeno(T-S)模糊系统建模面临的一个重大挑战。为此,该文提出一种特征选择与组稀疏编码相结合的模糊系统建模新方法WOMP-GS-FIS。首先,运用一种新型的加权正交匹配追踪算法对原始样本进行特征选择,在此基础上提取出模糊规则前件并产生模糊系统字典;然后,基于组稀疏正则化构造关于后件参数的组稀疏优化问题,在优化问题求解的同时得到重要的模糊规则。实验结果表明,在保证模型泛化性能的前提下,该方法不仅能对所获得的模糊规则结构进行精简还可以进一步减少模糊规则数,进而解决高维数据环境下模糊规则可解释性差的问题。     

半导体器件并联系统可靠性评估的经验Bayes方法

为了提高机载开关电源中半导体器件并联系统可靠性评估的准确性,运用经验 Bayes 法和经典的统计方法,研究了该系统的可靠性评估问题。分别给出了系统可靠性指标的经验 Bayes 估计,极大似然估计。利用 Monte-Carlo方法,对两种估计结果进行了比较,结果表明,经验 Bayes 估计的最大绝对误差为 0.07,它小于极大似然估计的最大绝对误差 0.368。     

红外焦平面微扫描空间分辨性能分析与估算

受器件水平的限制,国内红外焦平面热像仪的空间分辨能力较国外先进产品尚有不小的差距.依据John Johnson准则,结合红外焦平面热像仪的调制传递函数(MTF)与最小可分辨温差(MRTD)的分析,发现当前国内应用最广的320×240像元红外焦平面热像仪的空间分辨能力与32元CMT热像仪存在一定的差距,其原因是红外焦平面热成像系统的空间分辨能力由MTF与MRTD联合决定,而非取决于焦平面探测单元尺寸决定的几何极限;分析了采用插值等电子变倍的方法实现像素的倍增,以提高红外焦平面热成像系统空间分辨性能的可行性;并对辐条状图案进行了仿真实验,结果表明:虚拟微扫描及微扫描技术能有效提高红外焦平面热像仪的空间分辨能力.     

约束频繁模式树及其构造方法研究

频繁模式挖掘是影响关联规则挖掘效率的主要步骤.采用一阶谓词逻辑作为用户感兴趣的背景知识表示技术,提出一种基于背景知识的频繁模式树-CFP-Tree(Constrain Frequent Pattern Tree),并给出了其构造算法CFPT-Construct,从而提高关联规则挖掘结果的针对性,降低了FP-Tree构造的复杂性,有效地解决了FP-Tree构造算法中数据存储的瓶颈问题.最后以国家天文台提供的天体光谱数据作为数据集,实验验证了算法的有效性、针对性和高效率.     

一种灰度化混合法在集装箱箱号识别中的运用

研究一种基于机器视觉的集装箱箱号识别方法。对于集装箱彩色图像预处理过程中的灰度化方法，传统的灰度化算法不能有效弥补图像中污损或其他信息缺失的部分，因此，本文提出使用主成分分析法（PCA）结合贝叶斯阈值估计灰度变化率的混合法对图像的灰度化进行优化，可以在判断图像中某一点灰度值与周围相邻像素点的灰度值的变化率后，弥补缺失信息，有效确定边缘特征，从而使后续的字符识别准确率大大提高。最后使用该算法模型设计实现一套用于港口集装箱的智能检测系统。经过Matlab实验验证，在对50幅港口集装箱箱号图像的识别中，通过使用本文提出的混合灰度化方法，与普通的均值法和加权平均法的灰度化方法相比，准确率更高，其中单一字符准确率可达96%，箱号准确率可达92%。     

一种改进的基于模糊推理的边缘检测算法

针对基于模糊推理的边缘检测算法中存在的边缘模糊、未去除伪边缘、算法优化效果不佳的问题,提出一种改进的模糊边缘检测算法。给出一种模糊化规则,即利用方向灰度对比度确定边缘隶属度值,增加去除伪边缘的规则,使得边缘细化。实验表明,该算法效果优于模糊竞争算法、Pal King算法和其他一些改进的模糊边缘检测算法。     

挖掘优化的语言值关联规则

文章应用竞争聚集算法(CA算法)代替RFCM算法将数量属性划分成若干个语言值,CA算法综合了分层聚类与划分聚类的优点,它不仅比RFCM算法节省时间,而且能得到优化的固定的聚类个数,因此CA算法能挖掘出优化的语言值关联规则。文中没有把语言值表示成正态模糊数模型,从而可以避免产生不必要的误差.最后应用CA算法挖掘一个气象仿真实例的优化的语言值关联规则。     

Latent Classification Models

One of the simplest, and yet most consistently well-performing set of classifiers is the Naïve Bayes models. These models rely on two assumptions: (i) All the attributes used to describe an instance are conditionally independent given the class of that instance, and (ii) all attributes follow a specific parametric family of distributions. In this paper we propose a new set of models for classification in continuous domains, termed latent classification models. The latent classification model can roughly be seen as combining the Naïve Bayes model with a mixture of factor analyzers, thereby relaxing the assumptions of the Naïve Bayes classifier. In the proposed model the continuous attributes are described by a mixture of multivariate Gaussians, where the conditional dependencies among the attributes are encoded using latent variables. We present algorithms for learning both the parameters and the structure of a latent classification model, and we demonstrate empirically that the accuracy of the proposed model is significantly higher than the accuracy of other probabilistic classifiers.Editors: Pedro Larrañaga, Jose A. Lozano, Jose M. Peña and Iñaki Inza