一种改进的基于密度聚类的支持向量机

运用OPTICS算法能发现任意形状的聚类,且对输入参数不敏感的优势,提出一种基于OPTICS密度聚类的支持向量机算法,通过对原始数据进行预处理,利用可达图得到约简样本代替原始训练样本用支持向量机进行训练,降低了SVM训练所需的时间及空间复杂度.实验表明,该方法在保持分类精度的同时,大大缩短了训练时间,提高了分类效率.     

二阶隐马尔科夫模型在基因识别中的应用

对经典隐马尔可夫模型( HMM) 的状态转移和输出观测值的假设条件进行改进,提出了一个基于二阶隐马尔科夫模型(second-order HMM: HMM2)的基因识别系统的模型, 论述了用该模型和扩展的Viterbi 算法发现基因的方法.     

基于对应分析的支持向量机分类研究

提出了基于对应分析的支持向量机分类模型。该模型通过对应分析可以同时对变量及样本进行降维和消除相关性,从而在降低SVM训练时间的基础上有效地提高了SVM的分类精度。实验结果表明该方法是可行的。     

一种组合预测模型及其应用

在分析宏观经济灰色预测模型、BP神经网络预测模型、回归分析预测模型等基础上,结合西安市宏观经济预测模型指标GDP的历史数据,采用最小二乘法求权系数的方法,建立并检验了一种组合预测模型.实验证明该模型的预测精度有显著提高.     

基于BA的模糊聚类算法研究

模糊C均值聚类具有较广泛的应用,但该聚类算法本身存在容易陷入局部最优、对初始值敏感的缺点．本文提出基于蝙蝠算法与模糊c均值算法相结合的BAFCM聚类算法,并通过数值实验对比,说明BAFCM聚类效果优于FCM、PFA．     

不同初值对蝙蝠算法性能的影响

蝙蝠算法是一种搜索全局最优解的新型算法,为了提高蝙蝠算法的寻优性能,分别利用均匀分布、正态分布和Logistic混沌序列三种方法初始化蝙蝠种群,分析不同初值对蝙蝠算法性能的影响,选用12个标准测试函数进行仿真实验.结果表明,初值对蝙蝠算法性能有显著影响,基于Logistic映射的混沌序列初始化的蝙蝠算法效果最优.     

基于互信息的特征子集选择

通过互信息的思想提出一个新的评价函数来评价属性之间的相关性,并结合LV算法进行特征子集选择.结果表明,该方法对分类问题效果明显.     

BP神经网络算法在数字识别中的应用

介绍BP神经网络算法的理论和方法,并在MATLAB环境下给出了BP神经网络算法在数字图像识别系统中的应用.     

两参数Poisson过程的鞅刻画

本文给出了两参数Poisson过程的鞅刻画并讨论了这种过程的强Markov性。两参数随机过程(P_为Poisson过程的充要条件是(N_)=(P_-st)为鞅;设(P_)为Poisson过程,则(P_~T)=(P(]T,T z]))仍为Poisson过程且P_~T与F_T~*独立,其中,T为有限弱停点,z=(s,t)∈R_ ~2,F_~*=F_~*∨F_~2。     

基于最大熵的文本分类算法的改进

基于最大熵模型的文本分类算法对不同测试文档的训练结果相差较大.利用Boosting机制改进基于最大熵模型的分类算法,以提高该分类算法的稳定性.实验结果表明,该改进方法可以有效改善基于最大熵模型分类算法的稳定性,且分类精度也有一定的提高.