基于自校正支持向量回归的锌产量在线预报模型及应用

提出了基于自校正支持向量回归的密闭鼓风炉锌产量在线预报模型，以便根据预报结果来调整参数，实现锌产量最大．在该模型中，支持向量回归的数学模型被转换成与支持向量分类一样的格式，然后采用简化的SMO方法训练回归系数向量a-a*和阈值b，并在训练过程中动态调整惩罚系数C．最后，给出锌产量的在线预报算法．仿真结果表明，该预报模型在只有较少的样本数的情况下，在有效误差范围内预报精度能达到90％，且具有很好的实时性．     

基于高斯过程和支持向量机的软测量建模比较及应用研究

给出了基于高斯过程和支持向量机的软测量建模方法 ,在不牺牲性能的条件下 ,高斯过程与支持向量机相比 ,是一种有着概率意义的核学习机 ,同时它更容易实现 ,理论分析和仿真研究表明了高斯过程在软测量建模中的优越性     

面向多语言的机器翻译支撑环境设计与实现

在日汉机器翻译系统由DOS移植到Windows环境后,针对进一步扩充资源和调试开发过程中遇到的词典管理不便、工具使用麻烦、翻译及编辑界面不友好、日志维护不完善等问题,我们开发了面向多语言的机器翻译支撑环境子系统。该子系统实现了词典资源管理、翻译界面、开发工具集成、系统日志维护等功能,在编码上兼容Unicode,在调用原系统翻译功能和开发工具时使用动态链接库技术,以期成为一个面向多语言的、可为不同机器翻译系统所用的开发调试支撑环境。     

融合无监督和监督学习策略生成的多分类决策树

提出了一种融合无监督和监督两种学习策略生成多分类决策树的方法．它首先利用无监督聚类方法能够发现待分类样本之问的内在联系和规律的特点，确定出最为符合多类样本分布特征的决策树的树型，继而利用监督学习支持向量机的方法对样本进行准确的分类，通过采用核函数和不对称的Lagrangian系数限制条件，支持向量机很好的解决了样本特征空间上的线性不可分性和决策树型确定过程中出现的训练样本不对称性的影响、该方法具有较高的计算效率和准确性，在实验申取得了比较好的结果．     

攀钢2#镀锌铝线退火炉的特点

退火炉是镀锌铝线的核心设备，本文重点从退火炉控制、辐射管、带钢纠偏、炉内气氛分析特殊阀门的自测试、加湿器的使用等几个方面进行探讨。     

钢包包衬搅拌桥式台车的研制及应用

转炉炼钢——全连铸的生产节奏的加快，对钢水包的使用寿命和修砌质量提出了更高的要求。经过长期生产实践和摸索总结，马钢二钢厂采用了钢包包衬整体打结和二次剥拆技术，替代了传统的砖砌钢包的人工修砌工艺。详细介绍了马钢二钢厂40t纯氧顶吹转炉——全连铸钢包包衬整体打结设备技术的研制及应用效果。     

组态软件中串口设备通信实现方法设计

本文分析了组态软件串口设备通信的原理及开发方法。并提出了一种使用VC 6．0开发组态软件串口设备通信模块的具体实现方法。     

决策树方法在软构件查询中的应用研究

在基于可复用构件库的软件开发中,如何从构件库中查询满足条件的构件是构件库系统的研究重点之一。数据挖掘技术为解决上述问题提供了一条可行的途径,文中对如何利用决策树的分类发现方法进行可复用构件的查询作一探讨。通过对数据挖掘技术的应用,为复用者理解和选取构件提供了一定程度的辅助决策支持,为复用的成功提供了技术保障。     

Dissymmetric warfare versus asymmetric warfare

This paper presents two concepts: asymmetric warfare and dissymmetric warfare. NATO and US Military operations in recent wars in Kosovo and Afghanistan are analysed by means of comparison with old Chinese strategic thinking. No‐Loss‐Strategy and virtual warfare as well as the transformation from asymmetric to dissymmetric and from dissymmetric to asymmetric warfare are reflected upon.     

Benchmarking Least Squares Support Vector Machine Classifiers

In Support Vector Machines (SVMs), the solution of the classification problem is characterized by a (convex) quadratic programming (QP) problem. In a modified version of SVMs, called Least Squares SVM classifiers (LS-SVMs), a least squares cost function is proposed so as to obtain a linear set of equations in the dual space. While the SVM classifier has a large margin interpretation, the LS-SVM formulation is related in this paper to a ridge regression approach for classification with binary targets and to Fisher's linear discriminant analysis in the feature space. Multiclass categorization problems are represented by a set of binary classifiers using different output coding schemes. While regularization is used to control the effective number of parameters of the LS-SVM classifier, the sparseness property of SVMs is lost due to the choice of the 2-norm. Sparseness can be imposed in a second stage by gradually pruning the support value spectrum and optimizing the hyperparameters during the sparse approximation procedure. In this paper, twenty public domain benchmark datasets are used to evaluate the test set performance of LS-SVM classifiers with linear, polynomial and radial basis function (RBF) kernels. Both the SVM and LS-SVM classifier with RBF kernel in combination with standard cross-validation procedures for hyperparameter selection achieve comparable test set performances. These SVM and LS-SVM performances are consistently very good when compared to a variety of methods described in the literature including decision tree based algorithms, statistical algorithms and instance based learning methods. We show on ten UCI datasets that the LS-SVM sparse approximation procedure can be successfully applied.