一种新的规则获取增量式算法

对新增样例给出了新的分类,针对此分类提出了新的规则获取的增量式学习算法DLR I,并就该算法与经典算法的复杂性进行了分析比较,得出增量学习算法较经典算法有较低的时间复杂性,可以有效地提高大型数据库的规则维护效率.     

线性存储的MD-离散化方法

对基于粗糙集理论的M D-算法进行了线性存储结构改进,进一步提高了算法的效率.     

结合类别信念的AdaBoost算法(英文)

集成学习是一种受到广泛认可和使用的机器学习算法.为此提出一种新的多类集成学习算法,即AdaBoost belief.此算法改进多类集成学习算法AdaBoost·SAMME,使每个基分类器对于每个类别都有权重信息.这种类别上的权重被称为类别信念,可通过计算每次迭代中各个类别的正确率得到.将所提出的算法与原有的AdaBoost·SAMME算法从预测准确率、泛化能力以及理论支持等方面进行比较发现:在高斯数据集、多种UCI数据集以及基于日志的多类别入侵检测应用中,该算法不但具有更高的预测准确率和泛化能力,而且当类别数目增加,即类别更难以预测时,其分类错误率较原有AdaBoost·SAMME算法上升得更缓慢.     

基于友邻-用户模型的微博主题推荐研究

在微博社交网络中,微博文本内容短小,主题覆盖较少,同时主题变化快,用户兴趣更新频繁。已有用户模型不能完全准确刻画微博用户变化的兴趣。友邻集由用户认知度高的群体组成,友邻集的主题兴趣可以全面反映目标用户的多样化兴趣。利用目标用户的友邻集,在本体用户模型上构建微博用户的友邻主题兴趣集,计算更新友邻主题兴趣度,提出友邻-用户模型的实现算法。实验表明,在微博社交网络平台中,友邻一用户模型的微博主题推荐精度要优于传统的用户模型。     

一种基于区域分割的无阈值Harris特征点检测算法

文章针对传统Harris算法需人为设定阈值和特征点聚簇的问题,实现了一种基于区域分割的无阈值Harris特征点检测算法,在图像区域分割过程中引入了极差以剔除不存在特征点的区域,采用了计算区域信息熵差值的方式以减少噪点的干扰,针对10×10像素分块后特征点仍然过密的情况采取了四块合一块的方法,最后根据实际情况在临近的特征点中只保留特征值最高的。实验结果表明,与传统的Harris特征点检测算法相比,本文算法避免了手动设置阈值的不确定性,而且特征点分布均匀、合理,没有出现特征点聚簇的现象,同时具有一定的抗噪性。