基于知识积累方法的垃圾邮件过滤算法

由于垃圾邮件类型的不断变化，超出现有过滤算法模型中所采用的训练样本范围，造成过滤性能不断下降。因此，提出了一种基于知识积累方法的垃圾邮件过滤算法。利用KNN方法的惰性学习机制，将新型的垃圾邮件动态加入训练样本集中，以实现知识的不断积累过程。在此基础上，应用KNN方法对未知邮件样本进行精确匹配，以排除合法邮件的误判结果。实验表明算法具有较好的过滤性能。     

神经网络方法在用水量预测中的应用

采用自适应变步长的后向传播算法(ABPM)构建了一个人工神经网络用水量预测模型。分别取一部分历史数据作为训练样本和测试样本，用训练样本对网络进行训练，然后用测试样本对模型进行评估。结果表明该模型收敛速度较快．预测精度高．为用水量预测提供了一种新的方法。     

基于代数算法神经网络对股票价格的研究

利用零代价函数神经网络算法，首先，选用2004年和2007年各40个交易日的上证指数收盘价作为训练样本，对建立的三层神经网络进行训练和仿真．实现了网络的精确映射，网络输出误差几乎为零，然后。以2007年数据和2004年数据分别作为训练样本和测试样本，测试该网络的泛化能力．     

基于多重优化设计的铝型材挤压工作带模型

建立了有限体积法数值仿真、改进的误差反向传递神经网络和遗传算法相结合的铝型材挤压工作带长度优化模型．将型材截面划分单元，由正交试验法得到单元工作带长度值作为网络训练样本的输入值，模型目标值为变形后质点速度均方差．基于有限体积法的数值仿真技术获得样本目标值，模型的全局优化解由遗传算法求得．最后将优化结果应用于工程实际，取得了满意的效果。     

单样本条件下基于图像增强和Fourier频谱的人脸识别

目前有许多处理正面视觉人脸的识别方法，当有充分数量的有代表性的样本时，能取得较好的识别效果。然而当处理单样本识别问题时，现有的许多方法的识别率将明显下降或甚至不适用。为了加强单训练样本的分类信息，训练样本与其基于受扰动的奇异值的重构图组合成新样本，Fourier频谱作为人脸识别特征，在ORL人脸库上的实验结果表明了该方法的有效性。     

Kohonen网络与BP网络的集成应用研究

本文介绍了Kohonen神经网络对输入数据进行聚类方法在卷烟配方中的应用，提出了从核心样本动态搜索BP网络训练样本的新探索，摒弃了过去BP算法中训练样本固定不变，互不相交的方法，实现了BP网络和Kohonen网络动态无缝集成。     

一种基于内容的信息过滤改进模型

根据过滤系统的不同过滤目的，将信息过滤分为两类：(1)基于满足用户信息需求的用户兴趣过滤；(2)基于保障数据安全和社会安全的安全过滤．在详细分析了这两类信息过滤的异同之后，指出了安全过滤研究的特殊性及其主要研究内容．在现有用户兴趣过滤系统模型的基础上，提出了一个基于内容的信息过滤模型，并对模型中新增模块进行了试验．研究结果表明，新增模块能够很好地实现基于内容过滤系统的高精度，证明了该过滤模型具有一定的实用价值．     

信息安全审计中的图像过滤技术研究

目前网络信息审计系统大多基于文本信息的过滤,但不良信息的提供者将不良信息嵌入到图像或直接以图像文件,绕过监控。文中介绍了基于图像内容过滤的信息审计系统中的图像检索技术,首先论述了图像检索中应用最为广泛的颜色特征的提取,接着论述了所有物体表面共有的内在特性纹理特征的提取,然后论述了形状特征的提取,最后论述了图像的空间关系特征的提取。     

损伤位置分步识别法中参数选择、样本简化等问题的探究

对于多层多跨的框架结构，构件数量众多，直接确定损伤位置十分困难。基于神经网络的损伤位置分步识别法是先构建一个网络来确定结构损伤层的位置，然后针对每层再分别构建一个网络，确定损伤层中损伤柱的编号，于是一个复杂的神经网络被分解简化为几个简单的子网络，这样可以根据模态参数的性质合理选择损伤识别指标，并降低训练样本的数量，从而提高了网络的识别精度。结合分步识别法，建立了详细的多层多跨框架结构数值模型，对模态参数的性质和选择，如何减少训练样本．样本的构造方法等影响识别的因素做了初步探究。     

基于即时学习的集成神经网络及其干点预测

针对单个神经网络泛化能力差、对不同样本预测精度波动大的问题,提出了一种基于即时学习集成神经网络方法。首先,基于训练样本,建立多个不同的神经网络模型。其次,根据即时学习的思想,在对样本进行预测时,在训练样本中寻找与预测样本最接近的若干邻近样本,根据各网络对邻近样本的训练误差,即时形成各神经网络的集成权重,实时构造集成神经网络模型,对预测样本进行预测。最后,将该方法应用于初顶石脑油干点的预测,相比于文献中提出的方法,得到了更好的预测结果 。     

互联网服务新趋势——信息过滤

通过对信息过滤的几个热点方向的讨论,系统介绍了信息过滤的含义、分类及信息过滤的技术,指出了运用信息过滤技术在当今时代的重要性和紧迫性。     

面向主动信息服务的网络安全过滤技术研究

通过介绍主动信息服务存在的安全性问题,提出了将传统信息过滤技术应用于解决该问题的方法。在此基础上,通过介绍信息过滤技术的相关内容,定义了一种以过滤目的为标准的新的信息过滤分类形式——用户过滤和安全过滤,并对网络信息安全过滤技术的实现做了进一步研究。     

基于支持向量数据描述的机械故障诊断研究

为了解决在机械智能监测与诊断中缺少故障样本的问题，提出了一种机械故障单值分类的新方法——支持向量数据描述法。该方法只需要一类目标样本作为学习样本，而不需要其他非目标样本，就可以建立起单值分类器，从而区分了非目标样本和目标样本。将这种方法应用在机械故障诊断和状态监测中，仅仅依靠正常运行时的数据信号，而不需要故障数据，就可以监测机器的运行状态，且不需要对原始数据进行特征提取。实验结果表明，支持向量数据描述法与传统的神经网络方法相比，具有较好的分类能力和较高的计算效率。     

基于分类模板的用户模型构造方法

用户模型是信息过滤系统中的重要组成部分 ,它描述的是一段时间内相对稳定的用户信息需求。本文通过对动态数据源的分析 ,提出了一种基于分类模板的用户模型构造方法     

基于熵权法的过滤式特征选择算法

互信息过滤式特征选择算法往往仅局限于互信息这一度量标准.为规避采取单一的互信息标准的局限性,在互信息的基础上引入基于距离度量的算法RReliefF,从而得出更好的过滤式准则.将RReliefF用于分类任务,度量特征与标签的相关性;应用最大互信息系数(maximal information coefficient,MIC)度量特征与特征之间的冗余性、特征与标签的相关性;最后,应用熵权法为MIC和RReliefF进行客观赋权,提出了基于熵权法的过滤式特征选择算法(filtering feature selection algorithm based on entropy weight method, FFSBEWM).在13个数据集上进行对比实验,结果表明,FFSBEWM所选择的特征子集的平均分类准确率和最高分类准确率均优于其他对比算法.     

基于灰色信息的支持向量域分类算法

当被识别的样本包含有未确知性的灰信息时,传统的SVDD算法无法对其类别作出判别.针对这一问题,并考虑到SVDD算法是一种基于样本间距离测度的判别方法,提出了一种针对灰信息样本进行判别的支持向量域数据描述算法-GSVDD算法,该算法利用区间数对未确知性的灰信息进行表达,将区间运算引入到SVDD算法中,以区间距离取代原来的确定性距离,从而对灰信息目标样本进行识别.理论分析和实验结果均表明,该算法是有效和可行的.     

基于一类SVM的贝叶斯分类算法

提出一种基于一类支持向量机(one-class SVM)的贝叶斯分类算法,该算法用一类SVM对类条件概率密度进行估计以构造贝叶斯分类器. 证明采用高斯核的一类SVM,其解可以归一化为密度函数,并把该密度函数看作类条件概率密度的平滑估计,构造贝叶斯分类器. 实际数据集上的实验结果表明,提出的分类算法测试准确率高于简单贝叶斯分类器与贝叶斯网络分类器,不低于传统二类SVM;比传统二类SVM需要计算的核矩阵规模更小,训练时间更短.     

基于文本内容分析的过滤技术研究

提出一种基于特征词和局部语义分析的文本分类与过滤方法,在基于特征词统计特性分析的基础上,将特征词的知识属性和局部语法匹配引入信息过滤模型,实验结果表明,这种方法对于某些领域的文本信息可以有效地进行识别和过滤.     

基于语义和学习机制的信息过滤模型研究

信息过滤技术是当前研究的热点。本文先分析了向量空间模型和布尔逻辑模型及其它们的优缺点,在此基础上提出了基于语义和学习机制的信息过滤模型,该模型是对字项文档矩阵使用奇异值分解[1](Singular-Value Decomposition,SVD)的方法来实现信息过滤的,并详细分析了此模型的优缺点。