轻量化的增量式集成学习算法设计

常规的分类与回归树算法(classification and regression tree, CART)只能通过重新训练来增加对新类别的认知, 导致样本类别数量较多时训练成本大幅增加。针对这一问题, 提出一种轻量化的增量式集成学习算法: 当新的类别进入到训练集中, 只需在原有集成学习算法中添加具有开集识别能力的CART基分类器, 就可以实现对新类别样本的分类, 而不需要重新训练, 从而降低计算复杂度, 简化学习过程。以辐射源分类为背景的仿真实验表明, 该算法在信噪比大于等于-4 dB的环境中, 可以保持90%以上的分类准确率; 在类别数量较多的情况下, 相比常规CART, 该算法可以大幅度降低新增分类类别所需的训练成本。     

代价敏感的客户流失预测半监督集成模型研究

客户流失预测是企业客户关系管理的重要内容.在现实的很多客户流失预测建模过程中,由于数据类别的高度不平衡现象的存在,使得模型的分类性能低下,不能很好地进行分类预测.同时由于现实情况中只有少量有类别标签的样本,更多的是无类别标签数据的存在,造成了大量有用信息的浪费.为了解决以上两个问题,本研究将元代价敏感学习,半监督学习和Bagging集成等技术结合,提出了代价敏感的客户流失预测半监督集成模型(semi-supervised ensemble based on metacost,SSEM).该模型主要包括三个阶段:1)用Metacost方法修改初始有标签训练集L的类别标签,得到新的训练集Lm,并将其随机的分为模型训练集Ltr和模型验证集Va;2)使用Va挑选分类精度最高的三个基分类器,并用其选择性标记无类别标签U中的样本,并将它们添加到Ltr中;3)用新的模型训练集Ltr训练N个基本分类模型,并对测试集样本进行分类,进一步将分类结果进行集成.在两个客户流失预测数据集上进行实证分析,将SSEM模型与常用的监督式集成模型以及半监督式集成模型相比,结果表明,SSEM具有更好的客户流失预测性能.     

基于递阶遗传算法和BP网络的模式分类方法

提出一种基于递阶遗传算法和BP神经网络的模式分类模型.现有的BP网络模式分类训练方法大都只能训练BP网络的权重,网络的结构得预先用某种方法确定.利用巧妙设计的递阶遗传算法能够把网络的结构和权重同时通过训练确定.以模式分类数据库中的数据进行训练和测试,并与其它模式分类模型相比较,结果证明该模型更优,分类精确度更令人满意的,所提出的方法是可行的.     

基于递阶遗传算法和BP网络的财务预警

提出一种基于递阶遗传算法和BP神经网络的财务预警模型.现有的BP网络模式分类训练方法大都只能训练BP网络的权重,网络的结构得预先用某种方法确定.利用巧妙设计的递阶遗传算法能够把网络的结构和权重同时通过训练确定.以模式分类数据库中的数据进行训练和测试,并与其他模式分类模型相比较.结果表明,该模型更优,分类精确度更令人满意.根据上市公司的财务数据用所提出的方法进行财务预警是可行的.     

基于多任务学习图卷积模型的航空网络节点分类

准确识别航空网络关键节点, 做好针对性防护, 对于保证航空网络正常运行至关重要。传统的方法, 如基于复杂网络中心性指标的方法, 或基于机器学习的算法, 只单一考虑网络结构或节点特征来评价节点的重要性。然而评价节点的重要性应该同时考虑网络结构特征和节点特征。为解决上述问题, 本文提出了一种名为多任务图卷积网络(multi tasks graph convolution network, MTGCN)航空网络节点分类模型, 该模型在图卷积网络的基础上, 引入多任务学习及自适应加权策略, 将“节点—节点相关性”作为辅助任务加入模型的训练过程中, 并根据训练情况自适应分配各任务权重。3个不同规模的航空网络数据集中的仿真实验表明本文所提模型的性能优于现有的图卷积模型, 为图卷积在航空网络节点分类方向的应用提供了思路。     

基于多阶段转换学习的群体研讨文本言语行为分类

在群体支持系统(Group Support Systems,GSS)的环境下,群体能够在很短时间内产生大量研讨文本,远远超过了人们对信息处理的能力。因此,迫切需要一种能够自动分析和处理群体研讨文本的方法,言语行为分类就是这类方法中有可能实现并且具有应用价值的一个。在分析Zeno研讨模型的基础上,提出了适合群体研讨语料的言语行为分类体系。采用基于转换学习的办法,通过引入多阶段转换学习的概念,初步解决了群体研讨文本言语行为分类的问题,并且在议题类别和一些表达主张的类别(如支持和反对)上取得了较好的识别效果。研究群体研讨文本的言语行为分类对于拓展GSS,进而研究和开发自动主持人系统具有重要意义。同时,也为在中文环境下解决其他类型研讨(如网络聊天室、即时聊天工具等)文本的言语行为分类问题提供了参考依据。     

多层文本分类性能评价方法

为了准确评价多层文本分类方法,解决传统平面分类评价指标应用到多层分类中的局限性,在研究基于概念树的多层文本分类方法基础上,有效利用多层结构中类别之间的层次关系和“亲疏”关系,提出了一组能够准确描述多层分类性能的扩展评价指标。利用错误分类样本分布定义了错误分类集中度,在评价分类结果的同时能够指导训练样本的选择过程,使得训练样本更具有代表性。通过中文新闻语料的分类实验,证明了扩展评价指标对于多层分类结果的评价更为准确,错误分类集中度有助于训练出更加准确的分类模型。     

基于复杂网络少数者博弈模型的金融市场仿真研究

本文构造了具有学习机制、学习结构及时间控制策略(持续期策略)的复杂金融网络少数者博弈模型. 基于少数者博弈模型, 以网络学习作为Agent的主要学习机制, 基于随机网络、小世界网络及无标度网络三种网络, 分别对应金融市场中全局信息下的投资者随机决策, 基于社会网络的决策, 及寡头垄断下的决策, 以持续期期作为时间控制要素, 通过仿真观察到金融市场收益分布的"尖峰厚尾"特征、寡头市场股价异常等金融市场复杂现象, 并分析了学习机制、 学习结构及持续期策略在博弈中的作用及产生的不同市场效应.     

企业云架构演进关键因素识别方法

针对企业云服务演进策略,本文提出基于ANP(网络分析法)幂矩阵序列变化的企业架构演进关键因素识别方法。该方法通过ANP网络层构造服务架构各因素的作用机制与强弱,分解ANP矩阵的影响变化过程,提取云迁移各阶段的关键因素集,获得服务架构私有云演进综合方案。通过在ANP幂矩阵中验证关键因素集的各阶段改善效果,实现分步构建一个具有松耦合、可重用SOA特性的企业云服务架构演进途径。     

增长式卷积神经网络及其在人脸检测中的应用

卷积神经网络擅于提取具有类别分辨能力的隐式特征,在人脸检测等领域获得巨大成功.然而典型的卷积神经网络的固定结构又使得网络规模初始设定只能是经验性的,难以实现后继的再学习.鉴于此,提出一种结构可变的卷积神经网络的构造方法:从每层只有单个卷积核的简单网络结构开始训练,逐渐为各网络层增加新的卷积神经元并修改新增连接权重,当训练结果达到预期目标时训练结束.在人脸检测的实验中,不同网络规模下的识别结果表明基于结构增长生成的网络可以在精确度和网络规模之间取得一个非常好的折衷.此外,在追加新的学习样本时,分类器在保持原有学习结果基础上,只需调整少量新增神经元的权值,就能明显提高检测率.     

基于水下云边协同架构的珊瑚礁监测新机制

珊瑚礁是极具研究价值的海洋生态系统, 水声传感器网络(underwater acoustic sensor networks, UASNs)是监测与保护珊瑚礁系统的有效手段。然而, 随着水下传感设备的大规模应用, 感知数据的类型及数量大幅增加, 传统UASNs架构将原始数据直接上传至水面数据中心的集中处理方式给网络能耗和通信效率带来严峻挑战。本文构建了一种基于边缘计算的水下端边云系统架构, 并提出一种适用于该架构的两级协同珊瑚礁系统监测机制。该架构将复杂处理任务从远程云中心分散至边缘端, 减轻了云端处理负荷。该机制由两级监测环节组成, 同时包含了端侧图像处理和端边协同数据检测策略, 实现了机器学习任务的边缘侧执行和数据的原位处理。实验结果表明, 本文研究能够明显减少网络数据流量, 有效降低网络能耗及传输时延, 显著延长网络生命周期。     

基于迁移学习和注意力机制的伪装图像分割

不同于常规目标,伪装目标特征模糊、尺度信息复杂多变、检测和分割难度更高.在现有伪装数据集基础上,提出了一种结合迁移学习和有效通道注意力的UNet网络伪装图像分割方法.首先,针对伪装目标特征模糊难以有效提取的问题,在UNet的下采样和上采样过程中,引入一种有效通道注意力机制,在不增加网络参数的同时,提高有效区域的特征权重...     

径向基函数神经网络的遥感图象分类

针对遥感图象分类的特点,提出了一种径向基函数神经网络的遥感图象分类器。实验结果表明,这种径向基函数神经网络分类器经过训练后,可应用于遥感图象的分类。通过与BP经网络分类器相比较,径向基函数神经网络分类器在学习速度和分类精度等方面具有一定的优势。     

复杂样本分类的GA-RBFNN方法

本文以提高径向基函数神经网络(RBFNN)分类能力为出发点,结合遗传算法(GA)群体并行搜索能力,提出了一种有效的GA-RBFNN学习算法.该算法在传统衰减聚类算法确定网络初始结构的基础上,加入控制向量,设计了包含整个网络隐节点结构和径基宽度的矩阵式混合编码方式,以及相应的遗传操作算子.网络权值由伪逆法求解确定.经Iris、WINES和Glass数据集的仿真实验验证,该算法快速有效,具有较强的复杂样本分类能力.     

Research on Distributed Data Sharing System based on Internet of Things and Blockchain

Aiming at the problems of the traditional centralized data sharing platform, such as poor data privacy protection ability, insufficient scalability of the system and poor interaction ability, this paper proposes a distributed data sharing system architecture based on the Internet of Things and blockchain technology. In this system, the distributed consensus mechanism of blockchain and the distributed storage technology are employed to manage the access and storage of Internet of Things data in a secure manner. Up to the physical topology of the network, a hierarchical blockchain network architecture is proposed for local network data storage and global network data sharing, which reduces networking complexity and improves the scalability of the system. In addition, smart contract and distributed machine learning are adopted to design automatic processing functions for different types of data(public or private) and supervise the data sharing process, improving both the security and interactive ability of the system.     

复杂任务下的多智能体协同进化算法

针对多智能体系统在处理复杂任务时存在的低效率、高冗积、多智能体系统内协同模型算法存在交互冲突、资源损耗过高等问题, 提出一种基于复杂任务的多智能体系统优化算法。在差分进化算法与局部优化算法的基础上对二者进行优化, 结合强化学习的训练框架, 构建训练网络, 通过对学习步长进行修订, 改变种群迭代优化准则, 使得种群在计算力充足的情况下可以实现全局收益最大化, 有效解决了指挥控制系统过程中的协同优化问题。     

Text classification toward a scientific forum

Text mining, also known as discovering knowledge from the text, which has emerged as a possible solution for the current information explosion, refers to the process of extracting non-trivial and useful patterns from unstructured text. Among the general tasks of text mining such as text clustering, summarization, etc, text classification is a subtask of intelligent information processing, which employs unsupervised learning to construct a classifier from training text by which to predict the class of unlabeled text. Because of its simplicity and objectivity in performance evaluation, text classification was usually used as a standard tool to determine the advantage or weakness of a text processing method, such as text representation, text feature selection, etc. In this paper, text classification is carried out to classify the Web documents collected from XSSC Website （http：//www.xssc.ac.cn）. The performance of support vector machine （SVM） and back propagation neural network （BPNN） is compared on this task. Specifically, binary text classification and multi-class text classification were conducted on the XSSC documents. Moreover, the classification results of both methods are combined to improve the accuracy of classification. An experiment is conducted to show that BPNN can compete with SVM in binary text classification; but for multi-class text classification, SVM performs much better. Furthermore, the classification is improved in both binary and multi-class with the combined method.     

Building a Tax Predictive Model Based on the Cloud Neural Network

Tax is very important to the whole country, so a scientific tax predictive model is needed. This paper introduces the theory of the cloud model. On this basis, it presents a cloud neural network, and analyzes the main factors which influence the tax revenue. Then if proposes a tax predictive model based on the cloud neural network. The model combines the strongpoints of the cloud model and the neural network. The experiment and simulation results show the ef-