RSOM算法及其应用研究

神经网络以其优越的非线性拟合能力和强大的自组织模式分类能力已被用于许多模式识别问题,并取得了很好结果．但是对于大样本集分类和复杂模式识别问题,大多数常规神经网络在决定网络结构与规模、设计自学习算法和应付庞大的计算量等方面存在诸多困难．为了克服这些困难,在Kohonen自组织映射模型(SOM)的基础上,提出了两种基于类别可分性判据RSOM分类树：非结构自适应的RSOM-Ⅰ分类树与基于奇异值分解方法的结构自适应RSOM-Ⅱ分类树,这两种分类树的每个节点由拓扑有序的自组织映射网络组成．RSOM分类树的优点在于处理大样本集和复杂模式的识别问题时能够自适应地确定网络的结构和规模,最后的数据试验就是很好的佐证．     

问答系统中基于语义核函数的问题分类算法

提出一种基于语义核函数的问题分类算法,该算法基于问题的语法结构构建支持向量机(SVM)核函数.首先,将给定的问题解析为语法树结构,用语法树的子树表示该问题;然后,从词法、语法、语义三个层面提取问题的特征,构成更加丰富的特征空间;接着,基于问题的语法树构建核函数;最后,使用潜在语义索引方法并结合问题的词法、语法以及语义特征,通过语义核函数将特征空间映射到更有效的空间中进行问题分类.TREC数据集上的实验结果表明,通过词法、语法以及语义增强的问题特征空间可以提高分类准确率.     

一种基于主题模型与迁移学习的文本分类方法

为了消除传统机器学习中分类方法的限制,提出一种基于主题模型与迁移学习的文本分类方法。将文本集合成由共同主题和特定主题所联合起来的混合模型;然后,通过这两类主题相关性推断出不同领域之间主题的映射关系;最后,融合共同主题以及映射后的特定主题形成一个新的特征空间,并在此特征空间中完成文本的分类。实验结果表明,相较于其他分类方法,本方法在国外的20newsgroups数据以及自建的中国专利数据集上能更加高效准确地预测未标记文本的类别,为文本挖掘领域相关方向的研究提供新的视角。     

基于Rough集实现判定树归纳分类算法的简化

Rough集理论提供了一种新的处理不精确、不完全与不相容知识的数学方法，在决策表中快速、有效地挖掘出缺省规则。本文将Rough集属性约简应用到判定树归纳分类方法中，明显优化判定树，简化数据挖掘的过程。     

基于小波域分类隐马尔可夫树模型的图像恢复

针对自然图像的非平稳特性和图像恢复中计算困难的问题,提出了一种基于小波域分类隐马尔可夫树(CHMT)模型的图像恢复算法.从图像恢复的贝叶斯框架出发,将CHMT模型作为自然图像小波域的先验知识,构造正则化约束进行图像恢复.该模型具有空间适应性,使建模更加精确.对恢复方程的求解,采用了分类简化的共轭梯度算法.实验结果表明,该算法具有较低的计算复杂度,能提高图像恢复峰值信噪比(PSNR).     

一种基于类别核心词的概念映射方法

由于同义词和多义词的存在,使得基于特征词的文本分类方法分类精度不高.近几年,基于概念的文本分类方法得到人们的重视.在此提出一种基于类别核心词的概念映射方法,首先从文本中抽取类别核心词,借助<知网>将特征词映射到基于类别核心词的概念空间,然后在概念空间上完成文本分类工作.实验结果表明,基于类别核心词的概念映射方法及相应的基于概念的文本分类能够有效提高文本分类的精度.     

基于ELM特征映射的kNN算法

研究了基于ELM特征映射的kNN算法,利用ELM特征映射,将原始数据映射到这种高维特征空间当中,使得数据间变得更加线性可分,即数据结构会变得简单,因此,在利用kNN算法进行分类时,利用ELM特征空间中对应的特征数据代替原始空间中的数据进行分类将会取得更好的分类效果.最后,来自MNIST和UCI中的几个数据集的仿真实验进一步验证了该算法的优良性能.     

基于实例的工艺知识获取模型

介绍了耦合神经网络的工艺设计实例推理系统的实现方法论,提出了一种基于神经网络的工艺设计实例推理索引模型．与现存大多数实例推理系统不同,该方法用神经网络实现实例的动态分类和索引．实例层次分类的三层结构和基于特征的聚类模板概念,为实现基于符号处理的实例推理求解模式向基于神经计算的模式识别求解模式映射提供了条件．提出了基于实例的工艺知识获取模型,采用新实例的入库操作实现工艺知识的隐式获取,从而使知识获取得以简化．神经网络的自适应、自学习能力将减少系统的日常维护工作．基于实例的系统可望解决知识获取的难题．     

粒计算及其在机械故障智能诊断中的应用

为了更好地揭示原发性、早期微弱以及复合故障的发生发展规律,以粒计算理论为基础,提出了基于相容粒度空间模型的智能故障诊断方法.该方法通过层次化和粒度化来表示原始数据中蕴涵的不同设备运行状态的信息,使得不同故障状态被高效地映射到粒结构的不同层次上,达到正确区分各类故障的目的,利用得到的约简属性集构建相容粒度空间模型,对电力机车轮对轴承的早期微弱故障、严重故障以及复合故障进行诊断,取得了较高的分类精度.实验结果表明,与RBF神经网络方法相比,模型有着很高的分类性能,对9类故障状态的分类准确率达到了91.11%,说明相容粒度空间模型在机械故障诊断方面具有很好的分类性能.由于约简方法可以弥补特征评估技术不能直接获得最优特征组合的不足,因此提高了模型的工作效率.     

短期负荷预测的样本动态组织方法

针对训练样本与负荷预测模型的构建及预测精度之间的强相关性,在对负荷变化规律深入研究的基础上,提出了样本动态组织理论与方法.根据负荷变化的横向与纵向特征、日期、季节特征和气象特征构建时间分类树和样本映射表,并通过对气象数据的模糊化处理进行样本初选,进而利用自组织网络(SOFM)的改进方法提取负荷水平变化趋势的特征曲线,以实现样本的动态精选.多种模型的预测结果表明,采用的由粗到精逐步细化,多层面、多角度的样本过滤机制,为预测日负荷建模提供了更加优质的历史样本,很好地抑制了不良样本对预测建模可能带来的各种干扰,有效提高了电力系统短期负荷预测精度.     

一种新的模糊决策树模型及其应用

模糊决策树是决策树在模糊环境下的一种推广,虽然其表示形式更符合人类的思维，但在构造时会增加预处理的工作量和创建树时的开销。基于这种情况，提出了一种混合算法，算法保留了较少属性值的Shannon熵，计算多属性和连续属性值模糊化后的模糊熵。将该算法应用于滑坡数据的挖掘中，得到了更易于理解的决策树和有效的规则，与传统算法的性能比较也证明了该算法的有效性。     

决策树与模糊决策树的比较

对决策树与模糊决策树的异同进行了比较分析.模糊决策树是决策树在模糊环境下的一种推广 ,它作为一种知识表示形式更符合人类的思维.     

A spatial entropy reflecting distribution of spatial objects

Decision trees are mainly used to classify data and predict data classes. A spatial decision tree has been designed using Euclidean distance between objects for reflecting spatial data characteristic. Even though this method explains the distance of objects in spatial dimension, it fails to represent distributions of spatial data and their relationships. But distributions of spatial data and relationships with their neighborhoods are very important in real world. This paper proposes decision tree based on spatial entropy that represents distributions of spatial data with dispersion and dissimilarity. The rate of dispersion by dissimilarity presents how related distribution of spatial data and non-spatial attributes. The experiment evaluates the accuracy and building time of decision tree as compared to previous methods and it shows that the proposed method makes efficient and scalable classification for spatial decision support.     

A spatial entropy reflecting distribution of spatial objects

Decision trees are mainly used to classify data and predict data classes. A spatial decision tree has been designed using Euclidean distance between objects for reflecting spatial data characteristic. Even though this method explains the distance of objects in spatial dimension, it fails to represent distributions of spatial data and their relationships. But distributions of spatial data and relationships with their neighborhoods are very important in real world. This paper proposes decision tree based on spatial entropy that represents distributions of spatial data with dispersion and dissimilarity. The rate of dispersion by dissimilarity presents how related distribution of spatial data and nonspatial attributes. The experiment evaluates the accuracy and building time of decision tree as compared to previous methods and it shows that the proposed method makes efficient and scalable classification for spatial decision support.     

智能化虚拟人感知模型的一种探索性研究

在智能化虚拟人自主行为模型的研究过程中，感知功能是建立虚拟人行为模型的基础．如何能够构建出准确模拟人类感知功能的感知模型是其研究的难点．本文在介绍三维虚拟场詈的建立和虚拟人模型的创建的基础上，着重讨论了虚拟人感知模型的一种实现方法．该方法通过建立空间查询表，对创建的虚拟场景信息进行有效地管理与查询，虚拟人实时对空间查询表进行查询，并引入基于AABB包围盒的碰撞检测算法对是否存在障碍物进行判断，引导自身进行下一步的动作，初步实现了对环境信息的感知．     

一种思维系统模型和工作日行为的计算机仿真

人的思维活动是很难仿真的,它要同时处理海量的随机生成或其行为生成的信息．作者提出一种简单的思维系统模型用于人工智能和机器人学,给出了一种工作日行为的计算机仿真．这个思维系统主要由记忆、知识库、学习系统、运算和认知系统、决策系统、通信和神经网络系统组成．思维活动主要由所有子系统的行为构成．采用这个思维系统模型对人的工作日行为进行了计算机仿真．结果较好．     

基于三支理论的无人机对地攻击认知决策方法

针对无人机对地攻击过程的自主化问题,为使无人机能够有效规避突发的地面火力威胁,研究借鉴人类智能的认知决策方法。通过分析无人机的对地攻击过程,建立了对地攻击模型,将无人机对地攻击过程中的机动行为归纳为3种方式,运用描述人脑认知思维的三支决策理论,提出了一种基于三支决策的无人机对地攻击认知决策方法。通过与其他类自主攻击决策方法的对比分析和仿真实验表明,提出的方法能使无人机合理规避攻击过程中突然出现的防空火力单元威胁。     

大数据环境下的不确定数据流在线分类算法

在大数据环境下,由于隐私保护、数据丢失等原因,数据普遍存在不确定性;数据流系统中数据不断地到达系统,只扫描一遍且不能一次性全部获得;所以要构建一个增量分类模型来处理不确定数据流分类.本文基于VFDT算法提出了WBVFDTu算法,该算法在学习和分类阶段都可快速而有效地分析不确定信息.在学习期间,采用Hoeffding分解定理构造决策树模型;在分类期间,在决策树的叶子节点利用加权贝叶斯分类算法提高模型的分类准确率和算法的执行效率.最终证明该算法能够非常快速地学习不确定数据流,提高分类的准确率.     

基于Rough Sets-C4.5的故障征兆提取与判别

针对原始信息系统往往存在大量重复样本和冗余属性,从而影响实际故障诊断的精度和速度这一问题,介绍了一种基于粗糙集和决策树C4.5算法相融合的故障诊断模型,用于设备的精确和快速故障诊断.利用粗糙集具有较强的处理不确定和不完备信息的能力,对原始样本集进行离散化及约简处理;同时,利用决策树C4.5算法对约简后的决策表进行快速学习并形成树状故障分类器.以实例介绍了利用该模型进行故障诊断的完整过程.     

基于数据挖掘的蔬菜图片病害自动分类

为了对蔬菜病害进行自动检测和分级,克服传统的评估方法检测成本高、划分等级随意性比较大的缺陷,探讨了基于蔬菜图像的病害等级自动分类,设计了预处理技术提取图片特征.具体方法是对叶片图像进行分割并转变为分布概率的灰度矢量.在此基础上利用数据挖掘技术建立决策树模型,利用该模型对未分级叶片的级别进行预测.还引入了元挖掘算法Bagging,与决策树模型综合使用,进一步提高了预测效果.实验表明这一蔬菜病害等级自动分类方法准确度较高,具有较好的实用价值.