基于支持向量机的数字水印算法综述

对基于支持向量机的数字水印算法做了概要性的介绍,由于支持向量机可以通过有限的训练集样本得到小的误差,从而提高学习的泛化能力,因此支持向量机在版权保护领域有很好的应用效果．对基于支持向量机的数字水印技术的相关概念和现有算法进行了描述与分析,另外,对基于支持向量机的数字水印技术的未来发展方向和前景进行了预测．     

基于支持向量机的数字水印算法综述

对基于支持向量机的数字水印算法做了概要性的介绍,由于支持向量机可以通过有限的训练集样本得到小的误差,从而提高学习的泛化能力,因此支持向量机在版权保护领域有很好的应用效果.对基于支持向量机的数字水印技术的相关概念和现有算法进行了描述与分析,另外,对基于支持向量机的数字水印技术的未来发展方向和前景进行了预测.     

基于多置信度的不平衡数据分类算法

传统的分类算法通常设置统一的最小置信度提取规则．如果训练数据集是不平衡的数据,统一置信度的分类算法在小类的准确率不高．本文提出了一种基于训练集类分布的多置信度不平衡数据分类算法CBMI．在CBMI算法中,根据训练数据中类的分布设置不同的最小置信度提取规则,小类置信度的临界值比大类置信度低．此外,算法CBMI综合三种度量选择“好”的属性值．实验结果表明,基于多置信度不平衡数据分类算法CB—MI提高了小类数据分类的正确率．     

基于信息熵的懒散关联分类方法

懒散关联分类针对每个待分类实例的特征进行分类关联规则的挖掘,通常能取得较高的准确率。然而,由于某些数据集中存在一些质量不好的特征,将影响懒散关联分类的准确率。此外,分类耗时较长是懒散关联分类另一个缺点。针对上述问题,提出了一种基于信息熵的懒散关联分类算法。该算法以信息熵度量属性值的质量,仅选取每个待分类实例中最好的k个属性值,将得到规模较小且与待分类实例紧密相关的训练子集,从中高效挖掘到高质量的规则。实验表明,与懒散关联分类相比,基于信息熵的懒散关联分类方法提高了分类准确率,并极大减少了运行时间。     

基于All-confidence的正负关联分类

针对分类中如何有效利用负关联模式提高分类准确率,提出了一种基于正负关联模式的分类算法．利用类Apriori算法挖掘包含正项或／和负项且项与项之间互相关联的正负关联模式来产生分类规则．为提高挖掘效率,先找出能覆盖训练集的信息熵最小k个正,负项．然后,把这k个正／负项分别与其他项进行连接得到相应的正负关联模式．实验表明,该算法有效减少了挖掘的规则数,极大减少了挖掘时间,并提高了分类准确率．