可能性空间中学习过程一致收敛速度的界

在概率空间上统计学习理论是机器学习的重要组成部分.在概率空间上统计学习理论中一致收敛速度的界有重要的意义,利用经验风险最小化原则,这些界决定了学习机器的推广能力.本文在可能性空间中讨论了学习过程一致收敛速度的界,给出了一致收敛速度的界的估计并讨论了这些界和函数集容量之间的关系.     

基于Hybrid样本的学习过程一致收敛速度的界

学习过程收敛速度的界是统计学习理论的重要组成部分,这些界决定了学习机器的推广能力.以机会理论和Hybrid变量的概念为基础,讨论了基于Hybrid样本的学习过程一致收敛速度的界,并给出了这些界和函数容量之间的关系.     

样本受零均值噪声影响下的学习理论的若干理论研究

学习理论的关键定理和学习过程收敛速度的界为支持向量机等应用性研究提供了理论基础，因此在统计学习理论中起着非常重要的作用.目前对这两部分内容的研究，人们总是假定所处理的样本不受噪声的影响，从而不会引起误差，但由于人为、环境等因素的影响，事实往往并非如此.基于此种考虑，文中给出并证明了样本受零均值噪声影响下的学习理论的关键定理并讨论了学习过程一致收敛速度的界.     

基于随机模糊样本的统计学习理论基础

首先介绍了随机模糊理论的基本内容，进而证明了基于随机模糊样本的统计学习理论的关键定理，且讨论了学习过程一致收敛速度的界，为系统建立不确定样本的统计学习理论并构建相应的支持向量机奠定了理论基础．     

一元粗糙函数无穷积分及其收敛性质

一元粗糙函数积分是粗糙理论的应用基础,采用无限度量来研究一元粗糙函数无穷积分及其收敛性质.将有限度量上的粗糙积分推广到无限度量上,探讨粗糙无穷积分的构造定义;基于无限度量研究粗糙函数无穷积分收敛的充要条件与判别方法;基于无限度量,用无穷积分及其收敛性质推进了一元粗糙函数积分的发展.     

变量可分离函数的RBF神经网络拟合模型及其VC维

提出变量可分离函数的径向基函数网络拟合模型(Fitting Model based Radial Basis Function network to Variable Separable Function,VSRBF)及其学习算法并分析VSRBF的VC维.VSRBF是一个由多个子径向基函数网络组成的分工协作系统,由于把高维模型分解为低维模型,与传统径向基函数网络(Based Radial Basis Function Network,RBF)相比,VSRBF不仅明显地降低了系统复杂性而且网络的收敛速度更快.证明了VSRBF的VC维低于传统RBF的VC维,实验表明VSRBF在处理高维模型的行为明显优于RBF.     

关于支持向量基中二次函数集VC维的研究

支持向量基是基于统计学习理论发展起来的一种新型的机器学习方法,而VC维在其中起着十分重要的作用。本文主要阐述了支持向量基中关于VC维的理论,以及对二次函数集VC维的大小作了一些讨论。     

模糊度量空间中统计收敛的等价刻画

统计收敛在模糊度量空间中已得到应用,但模糊度量空间中的统计完备与完备的关系 尚不明确。鉴于此,本文探讨了完备的模糊度量空间中序列的统计收敛的等价刻画,导出了统计 完备与完备的等价性。研究结果完善了模糊度量空间中序列的统计收敛的相关性质。     

基于Orlicz函数及权重g收敛的模糊数列空间

模糊数列统计收敛问题是模糊分析学的重要组成内容,模糊数列统计收敛方面的理论,前人已经行深入研究,然而,收敛条件较强.在扩大了模糊数列收敛范围,引入了Orlicz函数和权重的概念,利用权重的意义给出了模糊数列基于Orlicz函数加权统计收敛和加权强收敛的概念.讨论了新定义的两类收敛空间的一些性质.同时,证明了加权强收敛模糊数列空间、加权统计收敛模糊数列空间以及统计收敛模糊数列之间的相互关系,结果表明关于Orlicz函数加权强收敛的模糊数列一定加权统计收敛;当模糊数列有界时,反之成立.     

随机粗糙度与粗相等

在基于随机集的粗糙上近似、粗糙下近似的概念及其简单性质的基础上,定义了随机近似空间上的粗糙度、基于随机集的粗糙集的上粗相等、下粗相等、粗相等、随机粗糙集类和随机粗糙近似空间的概念,并且得出了随机粗糙近似算子的一系列性质、随机粗糙集类和随机粗糙近似空间的一一对应关系等重要的结论。     

Rademacher复杂性与支持向量机学习风险

在已有献用Rademacher复杂性代替传统的VC维作为学习模型复杂性的度量的基础上,讨论再生核希尔伯特空间的Rademacher复杂性;并具体应用到支持向量机学习中,用Rademacher复杂性界定了支持向量机的学习风险．     

粗糙集CMAC神经网络故障诊断策略

提出一种基于粗糙集CMAC神经网络的智能互补融合的诊断策略．该策略利用粗糙集理论对数据样本进行数据浓缩．提取初步的诊断规则．对初步的诊断规则通过神经网络进行粗映射,利用神经网络的分类逼近能力,建立故障状态空间到诊断空间的精确映射．大大提高了神经网络的收敛速度和逼近精度．将该神经网络应用于的变压器故障诊断实例．结果表明．该神经网络具有分类逼近能力强．计算量小等优点．诊断正确率比普通神经网络的诊断正确率高．     

粗糙群和基于子群的群的粗糙

运用粗糙集理论的思想，在群中基于子群定义了群的近似空间，并定义了集合的运算，用集合的近似进行了研究．用近似群重新定义了粗糙群理论中的粗糙群、粗糙子群、粗糙不变子群、粗糙商群、粗糙同态、粗糙同构等一系列概念，并在传统的和新定义的两种粗糙群理论体系中，研究了基于子群的群的粗糙的性质．     

离散动态系统的改进关联预测法

将连续系统的改进关联预测法扩展引入到离散动态系统中,不对不具有和具有扰动、控制关联、状态和控制向量约束两种情况,提出了相应的阶优化算法,其主要特点是在求解局部问题的每一步,引入时间维上的关联向量局部修正,从而明显加快了收敛速度。     

覆盖广义粗糙集理论中的LF拓扑方法

从LF拓扑学的角度来探讨覆盖广义粗糙集理论,在LF拓扑空间中定义了相对内部和相对闭包,并讨论了它们的基本性质.这些性质不仅对粗糙集理论,而且对于LF拓扑学本身也有重要意义.     

一种基于粗集的概念学习新方法

针对传统粗集决策方法不能对未见实例提供很好分类的缺陷，提出了一种基于粗集的概念学习新方法。 利用概念之间的偏序结构，在整个变型空间搜索与训练样例一致的假设，并通过投票的方式得到新实例最可能的 假设。仿真结果表明该方法泛化能力强，是一种有效的概念学习方法。     

基于机器学习的高血压病历文本分类

为了探讨中文病历文本预处理后高维稀疏性的特点,导致文本分类精度低、算法模型收敛速度慢等性能问题,提出一种基于粗糙集的词袋(BOW)模型结合支持向量机(SVM)的文本分类算法(BOW+SVM)。该算法首先采用BOW模型对特征词提取构建高维度文本空间向量,然后利用粗糙集的属性约简算法对文本特征处理,把模糊的、冗余的属性从决策规则中清除,降低空间向量维数,最后利用所提纯的特征与SVM分类器交叉结合进行文本分类。在Python+TensorFlow环境中设计六种交叉结合的算法仿真对比实验,结果表明:基于BOW+SVM高血压病历文本分类模型精准度可达97%。可见改进后的模型,能够解决样本分部不均,克服高维度稀疏特征空间的问题,有效改善病案管理工作流程。     

新老混凝土粘结面人造粗糙度表征及性能研究

提出了一种改进的老混凝土表面人造粗糙度处理方法,并进行了试验研究.首先采用数字图像法采集粗糙表面的三维轮廓数据,然后依据分形理论进行数据处理,并用分形维数表征人造粗糙度;再利用自编的MATLAB程序实现粗糙表面的三维重建以验证数字图像法的准确性;最后,研究了老混凝土表面粗糙度与新老混凝土粘结性能的相关性,结果显示,人造粗糙表面是一种分形结构,可采用分形维数表征其粗糙度;新老混凝土粘结抗折强度f与老混凝土表面的分形维数D呈正相关性,存在近似关系f=kD+b,其中k,b为拟合系数;数字图像法在试验的数据采集、处理分析以及界面形貌的三维重建阶段都具实用性.