基于改进离散粒子群算法的炼钢连铸最优浇次计划

提出了浇次数未知的最优浇次计划模型. 在分析该模型求解困难的基础上, 提出了用伪旅行商表示该模型的方法. 针对离散粒子群优化具有收敛速度、精度低, 但能充分利用各粒子的局部最优值和全局最优值信息的特点,而序列倒置算子具有收敛速度和精度较高, 但学习具有盲目性的特点, 结合二者优点, 提出了一种基于序列倒置的改进离散粒子群优化算法. 实验研究表明, 该算法与普通离散粒子群优化算法相比, 不论是收敛速度和还是求解精度都有了较大提高. 基于该改进算法求解最优浇次计划模型的研究表明: 所提伪旅行商问题模型非常适合用于组浇模型描述. 应用实际生产数据的计算表明该模型及其求解方法均非常有效.     

一种结合共享最近邻法和粒度支持向量机的混合模型

粒度支持向量机GSVM(Granular Support Vector Machine)在处理大规模数据集时,粒的划分对其模型的训练效能、泛化能力等有很大的影响。然而传统划分方法的随机性,严重影响着其模型的训练效果。针对这个问题提出一种结合共享最近邻法和粒度支持向量机的混合模型(GSVM-SNN)。利用共享最近邻法将样本点自动划分成若干个信息粒,从中提取出关键信息。由于支持向量点大都分布在信息粒的边缘,提出一种KNN连通度,通过计算连通度提取纯粒边缘点并融合关键信息建立最终决策模型。实验结果表明,与传统的GSVM相比,该方法在分类时间、分类准确率上都有一定的优越性。     

对象式软件需求模型及其机器支撑

为了研究需求级软件自动化技术,研制对象式软件需求分析支撑系统的需要,文章提出了一个层次化对象式软件需求模型NDHORM(Nanjing daxue hierarchical object-oriented requirements modelling),它主要包括对象关系模型、类关系模型和类字典3个组成部分.文章基于对对象式需求模型的简要讨论,详细介绍了NDHORM模型的组成、层次结构及对象精化,给出了NDHORM的构模过程,最后简要介绍了NDHORM模型的机器支撑系统.     

不平衡数据集中的组合分类算法

为提高少数类的分类性能,对基于数据预处理的组合分类器算法进行了研究.利用Tomek links对数据集进行预处理;把新数据集里的多数类样本按照不平衡比拆分为多个子集,每个子集和少数类样本合并成新子集;用最小二乘支持向量机对每个新子集进行训练,把训练后的各个子分类器组合为一个分类系统,新的测试样本的类别将由这个分类系统投票表决.数据试验结果表明,该算法在多数类和少数类的分类性能方面,都优于最小二乘支持向量机过抽样方法和欠抽样方法.     

粗集在医疗诊断知识支持中的应用

医疗诊断需要医生的临床经验,开发辅助诊断系统具有重要的意义。大量的病历蕴涵专家丰富的诊疗知识,但长期以来得不到充分的开采利用。而粗集是约简决策表、挖掘知识的新方法。文章以ICU医疗诊断辅助系统为例,设计了一个基于粗集的医疗诊断知识支持工具。     

基于支持向量机的旋转机械故障诊断

为了解决旋转机械故障的在线诊断识别问题，用小波包从旋转机械的震动信号中提取特征向量，给出了一种基于支持向量机的故障诊断分类方法。该方法通过有限的学习样本，建立旋转机械故障特征与其运行状态之间的关系。利用获得的矿井提升机减速箱齿轮数据建立了多级故障分类器，通过对样本的分类输出检验，验证了该故障诊断方法的可行性。     

基于GA-SVM的银行客户流失预测分析

客户流失分析与预测是客户关系管理的重要内容。根据银行实际客户流失数据中正负样本数量不平衡而且数据量大的特点,采用遗传算法对传统支持向量机进行改进,得到GA-SVM模型,并以国内某商业银行VIP客户流失预测为实例,与人工神经网络、决策树、逻辑回归和贝叶斯分类器方法进行了对比,发现该方法能获得最好的正确率、命中率、覆盖率和提升系数,是预测现有客户流失倾向的有效方法。     

基于完井业务流程的加权序列模式挖掘算法研究

针对完井移动平台Web访问模式中用户对整体上符合完井业务流程习惯的序列模式更加感兴趣的特点,提出一种基于完井业务流程的加权序列模式挖掘算法.通过对完井业务流程模型和完井Web访问日志作分析,确定完井业务依赖强度计算模型并作为序列的权重,同时在加权挖掘的过程中采用k-最小加权支持数技术,对PrefixSpan算法进行改进.该算法在加权挖掘的过程中可以舍弃一大批不满足业务流程的访问序列,有效地避免候选组合爆炸的发生.实验表明该算法能快速地挖掘出有意义的完井访问序列模式.     

智能决策支持技术在远程教育系统中的应用

通过分析目前现代远程教育中比较紧迫的4类决策问题，介绍了一种基于模型库的远程教育智能决策支持系统框架下的IDSS的设计与实现，讨论了系统建模及算法实现、模型的存储、模型库的管理及维护等技术。     

多分类孪生支持向量机研究进展

孪生支持向量机因其简单的模型、快速的训练速度和优秀的性能而受到广泛关注.该算法最初是为解决二分类问题而提出的,不能直接用于解决现实生活中普遍存在的多分类问题.近来,学者们致力于将二分类孪生支持向量机扩展为多分类方法并提出了多种多分类孪生支持向量机.多分类孪生支持向量机的研究已经取得了一定的进展.本文主要工作是回顾多分类孪生支持向量机的发展,对多分类孪生支持向量机进行合理归类,分析各个类型的多分类孪生支持向量机的理论和几何意义.本文以多分类孪生支持向量机的子分类器组织结构为依据,将多分类孪生支持向量机分为：基于“一对多”策略的多分类孪生支持向量机、基于“一对一”策略的多分类孪生支持向量机、基于“一对一对余”策略的多分类孪生支持向量机、基于二叉树结构的多分类孪生支持向量机和基于“多对一”策略的多分类孪生支持向量机.基于有向无环图的多分类孪生支持向量机训练过程与基于“一对一”策略的多分类孪生支持向量机类似,但是其决策方式有其特殊的优缺点,因此本文将其也独立为一类.本文分析和总结了这六种类型的多分类孪生支持向量机的算法思想、理论基础.此外,还通过实验对比了分类性能.本文工作为各种多分类孪生支持向量机之间建立了联系比较,使得初学者能够快速理解不同多分类孪生支持向量机之间的本质区别,也对实际应用中选取合适的多分类孪生支持向量机起到一定的指导作用.