使用模拟切削算法的SVM增量学习机制

提出使用模拟切削算法的SVM增量学习机制。模拟切削算法在核函数映射的特征空间中计算每个样本的预期贡献率, 仅选取预期贡献率较高的样本参与SVM增量学习, 有效解决传统SVM增量学习代价高、目标样本选取准确性低、分类器缺乏鲁棒性的问题。一个样本的预期贡献率采用通过该样本的映射目标的合适分离面对两类样本的识别率来表示。对目标样本的选取酷似果蔬削皮的过程, 所提算法由此得名。基准数据实验表明, 文中算法在学习效率和分类器泛化性能上具有突出优势。在有限资源学习问题上的应用表明该算法在大规模学习任务上的良好性能。     

基于预分类的FSVM

模糊支持向量机(fuzzy support vector machine,FSVM)通过为每个样例设置模糊化训练参数,达到抑制离群点及噪声数据对分类器不利影响的目的.提出了基于预分类的FSVM,每个样例的模糊权重通过关联于该样例的预分类面来确定.该方法不仅考虑了各个样例在未来分类中的作用效果,还考虑了分类器对离群点及噪声数据的敏感性.这样确定的模糊权重能使SVM根据离群点及噪声数据的影响情况决定抑制强度,减少或避免无视数据具体特征的盲目抑制.在IDA、UCI等标准数据集上的实验验证了所提方法的合理性和有效性.     

操作系统理论课程问题分析及解决

操作系统理论课程具有讲、学两难的特征,分析了操作系统课程学习的困难所在.总结了克服困难的一些经验和措施,包括理论联系实际、运用软件工程思想分析复杂系统、加强学生解题训练的规范性、分层抽象、避免整体与局部脱节、采用直观表达形式描述对象、提高清晰性、避免单调性等.实践证明,将理论与实践结合,不仅提高了学生学习的趣味性,而且提高了学生的理解水平和应用水平.     

渐进支持向量的一种新颖选取策略

渐进支持向量决定渐进支持向量机的泛化能力,其选取至关重要。对此提出了一种新颖的基于概率计算的渐进支持向量选取策略。该方法为每个样本点构造一个通过该样本点的合适分离面,该样本点成为渐进支持向量的概率是根据该分离面对两类样本的分离率来估计的。具有较高概率值的训练样本被选为渐进支持向量,用以训练和更新渐进支持向量机。比较性的实验表明,该方法在保持渐进支持向量机泛化能力的前提下,在训练效率上具有非常突出的优势。