90年代的数据库技术及其市场

数据库是当代信息系统的基础，在计算机应用中起着极其重耍的作用。自从80年代初期以来，从同的计算机应用领域提出了许多数据库的非传统应用课题，诸如多媒体数据、空间数据、时序数据、科     

基于内容图像检索中的优化鉴别特征

为了提高基于内容图像检索系统的检索速度和准确率,提出一种融合两类线性鉴别分析的方法来提取低维的优化鉴别特征.首先把多类问题转换为多个两类问题,对每个两类问题进行线性鉴别分析,得到鉴别向量;所有的鉴别向量组成鉴别变换矩阵,对图像特征进行投影变换得到鉴别特征;最后用变换后的鉴别特征进行图像检索或分类,得到准确率更高的结果.该方法中鉴别特征空间的维数与类别数相等.与多种特征优化方法进行比较的实验结果表明,采用文中方法可以显著地提高图像检索和图像分类的性能.     

信息动态

深度学习是机器学习研究中的一个新的领域,其核心思想在于模拟人脑的层级抽象结构,通过无监督的方式分析大规模数据,发掘大数据中蕴藏的有价值信息.深度学习应大数据而生,给大数据提供了一个深度思考的大脑. 尽管YahnLecun在1993年提出的卷积神经网络是第一个真正成功训练多层网络结构的学习算法,但应用效果一直欠佳.直到2006年,Geoffrey Hinton and RuslanSalakhutdinov基于深度置信网,提出非监督贪心逐层训练算法,应用效果才取得突破性进展.从2009下半年开始,美国微软研究院邀请Hinton到雷德蒙与他的研究员合作,将深度学习巧妙地应用在大规模语音识别,迅速获得巨大成功,由此掀起了深度学习的浪潮[1-3].2014年3月,Facebook报道他的DeepFace项目使得人脸识别技术的识别率已经达到了97.25％,只比人类识别97.5％的正确率略低一点,准确率几乎可媳美人类.该项目利用了9层的神经网络来获得脸部表征,神经网络处理的参数高达1.2亿.     

计算文本的情感描述值的算法

随着互联网信息的高速发展,越来越多的人参与到信息的制造者队伍中,对于信息处理提出了更高的要求。计算文本的情感描述值对于衡量文本的极性信息具有重要的意义。首先对文本内容进行预处理,挑选出可以决定文本极性的句子;然后对各个子句进行情感描述值的计算;最后将子句的情感进行综合计算,得出文本的情感描述值。并且对文本长度、句法结构等因素进行了综合分析。实验结果表明,采用该算法计算文本信息具有较高的准确率和速度,对于大规模处理流数据情况下的情感信息值的计算具有较好的适用性。     

一种新的基于简化二进制可辨矩阵的相对约简算法

提出一种基于简化二进制可辨矩阵的启发式相对约简算法,其特点是在扫描数据库的过程中形成规模很小的简化二进制可辨矩阵.基于简化二进制可辨矩阵构造了面向相对约简的矩阵变换方法,通过这种矩阵变换可从二进制可辨矩阵直接高效地导出相对约简.理论分析和实验结果说明和验证了该算法具有相对高效性和强可操作性等优点.

     

情感主体形式模型

为使主体能够有效处理情感,具有更高的智能性,本文提出一种情感主体的形式化描述模型.分3个层次,给出情感主体心智状态、情感主体心智状态更新、以及情感主体模型的形式化定义.并通过对基本情感的更新过程的公理推导,说明了该模型能够充分体现情感主体的本质特征和运行机制,有较强的表达能力和扩展能力,为构建支持情感推理的情感规则库提供理论依据.然后对情感更新过程进行直观描述,并给出情感主体的体系结构.仿真实验表明,情感主体能够合理产生情感反应并作出更优智能决策,从而验证该模型的有效性.     

一种新的启发式知识约简算法

知识约简是Rough Set理论研究的重要内容.通过分辨矩阵定义了简化分辨函数,然后针对此分辨函数构造了两种操作以及定义了覆盖、最小覆盖等概念,并基于这种操作、概念和相关原理将决策系统的约简问题转化为寻求简化分辨函数最小覆盖的问题;面向最小属性约简定义了基于简化分辨函数的属性重要度,并以此为启发信息,结合已导出的有关最小覆盖的定理构造了一种新的知识约简算法--算法SDFAR.文中,在理论上详细证明了提出算法的完备性并给出了算法的复杂性分析,说明其高效性,对寻找最小约简是相对有效的,这在最后的实验中也得到了验证.     

基于聚度的PSO参数分析

对PSO方法中粒子运行规律给出较为完整的分析,考察随机性对粒子运动过程的影响,提出聚度的概念,并 通过粒子的聚度考察粒子在实际运行条件下的分布情况,给出更加具体的参数设置区间,提出一种粒子在运动过程中 的速度补偿策略,对于一些参数设置可以通过该策略提高搜索性能,该策略对实际应用中选择和调整PSO算法参数 有较强的指导意义。     

概念推理网及其在文本分类中的应用

在分析了当前文本分类中学常用方法的基础上,提出了一种新的分类模型,该模型是对人的分类过程的一种模拟,在已的有英语语义词典及大量训练集的基础上,应用机器学习、数据挖掘等技术进行知识获取并最终形成若干个概念推理网,对待分类的文档可以激活相应的网络,网时传播推理以决定其类别的归属,试验表明：该方法具有较高的分类正确率与召回率。