基于改进的Markov模型预测准确度研究

马尔可夫（Markov）模型方法主要解决的问题是从当前状态预测下一个状态,因此适合作为一个预测模型来挖掘用户的页面访问模式。此文在总结以往Markov模型方法基础上,从页面访问时间和用户个体特征两个角度对模型方法进一步改进,以提高模型预测的准确度。最后将改进的Markov方法与协同过滤方法进行了比较,指出其在计算开销和预测准确度上的优势。     

一种改进的Markov预测模型方法

马尔可夫(Markov)模型的链式结构简便易行,适合作为一个预测模型来预测用户的页面访问模式.针对Markov原始预测模型算法时问和空间高开销的缺点,引入聚类方法对模型进行改进,以有效降低原始Markov预测模型计算开销.改进的Markov模型虽较好地克服了原始Markov模型的缺陷.但在提高效率的同时,模型的预测准确度有所降低.不过由于是将高阶Markov模型类别预测和低阶Markov模型页面预测相结合,和原始低阶Markov模型页面预测相比,准确性具有一定优势.     

决策系统的相对正域求解

经典的粗集理论给出了用不可分辨类的思想求解系统必要条件的方法,相对正域求解是其中一种,但是它涉及到粗集理论中许多抽象的定义,考虑编程实现的原因,在许多文献中采用了不可分辨矩阵的方法求必要条件。但笔者充分利用MATLAB语言的优点,首先改造了原有决策系统,使之适合于MATLAB语言处理,然后给出了粗集理论中不可分辨类和下近似集两个重要概念的自定义函数Indiscem．m和LowerApproximate．m,用相对正域的方法(poscd．m)求解出系统的必要条件。     

螺旋桨空化噪声的小波多尺度调制谱分析

1引言 舰船螺旋桨辐射空化噪声是舰船辐射噪声高频端的主要部分,其频谱为高频连续谱.螺旋桨节拍对其辐射的空化噪声有明显的振幅调制作用,其调制频率及调制深度与螺旋桨转速、桨叶数及舰船航速等指标有关.可见,螺旋桨辐射空化噪声调制谱蕴含着重要的目标信息.多尺度分析从空间概念上形象的说明了小波的多尺度特性,给出了正交小波的构造方法及正交小波变换的快速算法,即Mallat算法.多频段调制谱分析由于要对信号进行多通带滤波,导致计算机计算开销太大,实时性较差而不能得到充分利用,而小波多尺度分析为基础的多尺度调制谱分析极大的提高了滤波速度和质量,能够最大限度的反映包络信息,提高识别率,具有很高的实用价值.     

深度神经网络在螺旋桨叶片数识别中的应用

从调制(Demodulation on Noise, DEMON)谱谐波簇中提取的结构特征可以建立用于螺旋桨叶片数识别的模板。使用模板匹配算法进行螺旋桨叶片数识别时,存在依赖模板库和置信度准则、算法约束条件多、无法发现缺失模板等问题。本文提出了一种将深度神经网络(Deep Neural Network, DNN)应用于螺旋桨叶片数识别的方法,该方法仅在训练深度神经网络时使用模板库,克服了识别过程中对模板库和置信度准则的依赖。此外,通过提取识别错误项,可以找到缺失模板,实现了对模板库数据的补充。使用该算法对大量实测数据进行检测,发现深度神经网络具有更高的识别正确率,而且识别过程更加简单可靠。     

弹性网络核极限学习机的多标记学习算法

将正则化极限学习机或者核极限学习机理论应用到多标记分类中,一定程度上提高了算法的稳定性。但目前这些算法关于损失函数添加的正则项都基于L2正则,导致模型缺乏稀疏性表达。同时,弹性网络正则化既保证模型鲁棒性且兼具模型稀疏化学习,但结合弹性网络的极限学习机如何解决多标记问题鲜有研究。基于此,本文提出一种对核极限学习机添加弹性网络正则化的多标记学习算法。首先,对多标记数据特征空间使用径向基核函数映射;随后,对核极限学习机损失函数施加弹性网络正则项;最后,采用坐标下降法迭代求解输出权值以得到最终预测标记。通过对比试验和统计分析表明,提出的算法具有更好的性能表现。     

Apriori算法中频繁项集挖掘实现研究

在数据挖掘中,关联规则是发现知识的一种有效方法,而频繁项集的挖掘是关联规则中发现强规则的基础,其中连接与剪枝是逐层迭代求解k-项频繁集的核心算法。因此,文中主要介绍了基于连接与剪枝挖掘频繁项集的实现过程,并通过挖掘对传统购物篮数据中的频繁项集进行了验证,结果是一致的。算法的有效性也为进一步挖掘关联规则中的强规则提供了基础。     

基于小波奇异性的舰船辐射噪声音高分析研究

1引言 舰船辐射噪声包含着连续谱和线谱成分,一般说连续谱成分没有明确的音高仅对噪声的音色造成影响,但线谱成分在听测时人耳却可以感觉到明显的音高.声纳员在对舰船噪声听测时发现不同的舰船在音高值存在明显差别且音高的稳定性也有差异,因此通过舰船噪声音高值及稳定性对与舰船噪声识别非常有意义.