一种新的支持向量机多类分类方法

分析了目前的支持向量机多类分类方法存在的问题以及缺点．针对以上问题及缺点，提出了基于二叉树的支持向量机的多类分类方法，并在UCI数据库上进行了验证，取得了良好效果．     

基于小波域空间树结构的合成孔径雷达图像压缩

空间树结构SOT(Spatial-Orientation Tree)在基于小波的SAR图像压缩中扮演着及其重要的角色,包括EZW(Embedded Zero-tree Wavelet)和SPIHT(Set Partitioning in Hierarchical Trees)的图像压缩编码方法,都利用了SOT中的父子关系。斑点噪声的存在,严重降低了SAR图像的质量和可压缩性。作为研究不同分辨率小波系数的空间相关性的非常有效的数据结构,SOT在斑点噪声去除中并没有得到很好的利用。提出一种新的SAR图像压缩方法,该方法结合基于SOT结构的斑点噪声去除和EZW嵌入式零树编码算法,对机载合成孔径雷达图像压缩实验的结果显示,该方法优于JPEG和标准EZW算法。     

计算机科学中的几个泛系关系(四)--Linux内核数据管理中的以静控动,以少制多的思想

为了从宏观上弄清楚Linux内核数据在内存中的管理问题，本文从一个简单的树结构着手分析，然后引出Linux的整个内核数据在内存的分配管理问题，用泛系的观点阐明了其中的以静控动，以少制多的思想。     

一个新的基于Vague集加权相似度量的双向近似推理方法

提出了一种新的Vague集的加权相似度量方法以解决文献[1]中关于vague集相似度量的某些缺陷，并且提出了Vague集间相似方向的概念，用它来描述两个相似Vague集中哪个所包含的信息更精确，并给出了一个判定方法。在此基础上给出了一种基于Vague集加权相似度量的双向近似推理方法，该方法更好地利用了vague集信息的精确性，从而提高了推理的精确性和适用性．这为智能系统中的近似推理提供了一个十分有用的工具．     

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．     

一种基于有序二叉树的多模式匹配算法

传统的多模式匹配算法是用树型结构的有限自动机实现的 ,它具有很多缺点 .本文提出的多模式匹配算法是基于有序二叉树的多模式匹配算法 .实验证明 ,本文算法不但具有和传统算法相当的查找速度 ,而且构造速度快、内存耗费少 .因此 ,本文提出的算法特别适用于要求动态构造自动机的情况     

基于决策树的股市数据挖掘与仿真

决策树方法是数据挖掘的一种方便而实用的方法。该文基于对股市数据的分析，适当选取某些经济指标作为决策属性，并利用改进的ID3算法，从股市数据中挖掘获利能力规则。该文提出的算法用C语言编程实现。仿真的结果表明，不仅获得了具有应用价值的股市决策规则，而且显示出股市中有的经验规则未必正确。     

数据挖掘与数据仓库技术及其在保险业中的应用

文章介绍了数据挖掘中常用技术和数据仓库结构．并且探讨了粗糙集方法，决策树方法以及关联规则方法等数据挖掘技术在保险风险规则挖掘中的应用。     

决策树算法的研究及优化

决策树算法是数据挖掘中的一个比较活跃的研究领域,是对分类问题进行深入分析的一种方法,但构造最优决策树是一个NP困难问题。文中首先介绍了ID3算法的基本思想,然后讨论了决策树算法中的难点问题,针对ID3算法中所存在的不足,提出了一种利用优化法的思想来改进信息增益的算法,并且与ID3算法进行了实验对比。通过实验表明,这种方法从树的规模和分类精度都优于许多决策树算法,使决策效率明显提高。     

Approximation Algorithms for Quickest Spanning Tree Problems

Let $G=(V,E)$ be an undirected multigraph with a special vertex ${\it root} \in V$, and where each edge $e \in E$ is endowed with a length $l(e) \geq 0$ and a capacity $c(e) > 0$. For a path $P$ that connects $u$ and $v$, the {\it transmission time} of $P$ is defined as $t(P)=\mbox{\large$\Sigma$}_{e \in P} l(e) + \max_{e \in P}\!{(1 / c(e))}$. For a spanning tree $T$, let $P_{u,v}^T$ be the unique $u$--$v$ path in $T$. The {\sc quickest radius spanning tree problem} is to find a spanning tree $T$ of $G$ such that $\max _{v \in V} t(P^T_{root,v})$ is minimized. In this paper we present a 2-approximation algorithm for this problem, and show that unless $P =NP$, there is no approximation algorithm with a performance guarantee of $2 - \epsilon$ for any $\epsilon >0$. The {\sc quickest diameter spanning tree problem} is to find a spanning tree $T$ of $G$ such that $\max_{u,v \in V} t(P^T_{u,v})$ is minimized. We present a ${3 \over 2}$-approximation to this problem, and prove that unless $P=NP$ there is no approximation algorithm with a performance guarantee of ${3 \over 2}-\epsilon$ for any $\epsilon >0$.