增量构造负相关异构神经网络集成的方法

基于负相关异构网络,提出了一种增量构造异构神经网络集成(NNE)的方法.该方法在训练成员网络时,不仅调整网络的连接权值,而且动态调整网络的结构,从而在提高单个网络精度的同时增加各成员网络之间的差异度,减小网络集成的泛化误差.该方法包括构造最佳异构网络(BHNN)和构造异构网络集成(HNNE)两个部分,BHNN基于负相关学习动态构造多个最佳网络,HNNE利用训练好的最佳网络增量地构造异构NNE.使用网络泛化误差和集成泛化误差,整个集成过程可自动完成,无需预先确定成员网络的结构.分别对回归和分类问题进行了实验,相对于单个网络,该方法在测试数据集上的错误率降低了17%～85%,与已有的Boosting、Bagging等网络集成方法相比,错误率也有不同程度的改善.     

光滑无穷维Grassmann流形G(E)(英文)

设E是Banach空间,G(E)表示空间E中可分裂的子空间全体,和U(N)={H E:H N=E}.让F∈U(N).1983年,Abraham,Marsden和Ratiu给出G(E)上的一个微分结构{(U(N),ψF,N}N∈G(E),使得G(E)成为光滑Banach流形.然而即使在1988年他们的第二版书中,粘贴映射ψF,N ψF1,N1-1,光滑性的证明有洞,仍未成功.在这篇小文里,这个洞被指出,并给出了一个新的证明.这样,光滑无穷维Grassmann流形G(E)完全被证明.     

Nashed和Chen结果的一个推广

设E和F是Banach空间,B(E,F)表示从空间E到F的有界线性算子全体.当A∈B(E,F)具有有界的广义逆A+∈B(F,E)时,Nashed和Chen证明了一个很有用的定理:对任意满足‖T-A‖<‖A+‖-1的T,若使C-1(A,A+,T)TN(A)(∈)R(A),则B=A+C-1(A,A+,T)是T的一个广义逆,且N(B)=N(A+)和R(B)=R(A+),其中C(A,A+,T)=IF+(T-A)A+.在这篇文章中,我们将上述结果推广到A不必具有有界广义逆的情形.并且我们证明这里的定理包含Nashed和Chen的定理.所以我们的结果推广了上述已知的定理.     

基于构件的多源异构数据集成技术研究

为解决异构数据源共享问题,研究了基于中介器/包装器（Mediator/Wrapper）的多源异构数据的集成方法,提出了基于构件的多源异构数据集成体系结构,可以将异构数据源的查询以构件的方式实现。充分利用网构构件的自适应性,通过模块的自主组合来屏蔽底层数据源的差异,使用户可以无缝而且灵活地访问多源异构数据,有效地解决了多源异构数据共享等问题。     

一种个性化的主题提取和层次发现算法

从语义相关性角度分析超链归纳主题搜索(HITS) 算法,发现其产生主题漂移的原因在于页面被投影到错误的语义基上,因此提出了一种个性化的主题提取和层次发现算法(PTDHE),通过个人查询日志扩展查询词,构造符合用户需要的个性化根集和基础集合,达到防止主题漂移的目的.PTDHE采用基于最小最大原则的图划分方法,层次地发现与用户查询相关的主题页面集合,利用HITS算法分别计算每个主题页面集合中页面的权威值,返回与查询相关的其他主题权威页面.在14个查询上的实验结果表明,与HITS算法相比,PTDHE算法不仅可以减少2%~66%的主题漂移率,而且可以发现与查询相关的多个主题.     

Banach空间中常微分方程解的存在唯一性定理的注

把B anach空间常微分方程解的存在唯一性定理中解x(t)的变量t的范围t∈[t0-,αt0 α],α=min1/K,b/M扩大成t∈t0-b/M,t0 b/M,并对改进条件后的定理进行了严格证明.     

可在线增量自学习的聚焦爬行方法

将Web爬行看作执行序列动作的过程，结合改进的快速Q学习和半监督贝叶斯分类器，提出一种新的具有在线增量自学习能力的聚焦爬行方法．该方法从获取的页面中抽取特征文本，根据特征文本评估页面的主题相关性，预测链接的Q值，然后基于Q值过滤无关链接．当得到主题相关页面时产生回报，将回报沿链接链路反馈，更新链路上所有链接的Q值，并选择相应的特征文本作为训练样本，增量地改善主题评估器和Q值预测器．实验结果表明，该方法具有很快的自学习能力，获取的页面数目和精度均优于离线聚焦爬行方法，更符合Web资源发现的要求．     

一种基于粗糙集的粗糙神经网络构造方法

针对神经网络中各神经元和权不能赋予明确的物理意义 ,提出了一种基于粗糙集的神经网络模型 .该模型利用粗糙集理论数值分析的能力 ,首先从给定的数据集中抽取出规则 ,然后根据这些规则构造神经网络隐含层的神经元个数 ,从而确定粗糙神经网络的初始拓扑结构 .同时 ,将输入映射到输出子空间 ,并在这个子空间上用神经网络进行逼近 ,由此得到一种可理解性好、收敛速度快的神经网络模型 .实验结果表明 ,该模型能够较好地处理神经网络拓扑结构、训练样本的大小、样本质量等对神经网络的精度及泛化能力有直接影响的问题 ,在大大缩短训练时间的同时 ,它的预测精度可达 96 4 % ,较同条件下径向基函数神经网络模型的精度高 3 6 % .