一种加入动态权重的AdaBoost算法

【目的】由于AdaBoost算法弱分类器对各待测样本其投票权重是固定不变的,这会导致使用该算法进行分类时准确性不高,于是针对该问题提出了一种结合静态权重与动态权重的学习算法AdaBoost＿DW。【方法】该算法保留了AdaBoost算法训练阶段产生的全部弱分类器,在预测阶段加入了能度量待测样本与各个弱分类器适应性的动态权重,通过双权重共同决定该弱分类器的投票权重。【结果】实验结果表明,AdaBoost＿DW算法的分类精度绝大多数情况下高于原AdaBoost算法。【结论】证明了动态权重的加入能够提高原AdaBoost算法在各数据集上的分类准确率。     

基于灰色支持向量机的新型预测模型

分析了灰色预测方法和支持向量机各自的优缺点,提出了将二者相结合的一种新的预测模型———灰色支持向量机预测模型.新模型发挥了灰色预测方法中“累加生成”的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,同时避免了灰色预测方法及模型存在的理论缺陷.实验结果表明文章所提出的预测模型有效可靠,为提高预测精度提供了新的途径.     

基于灰关联分析的多层次综合评价研究———风险投资项目综合评价模型

利用灰色系统理论建立了一种新的基于灰色关联分析的多层次综合评价模型,给出了一种确定各指标权重的新方法.将此方法应用于高技术风险投资项目的筛选中,获得了较好的预期结果.     

Moore-Hodgson算法最优性的新证明

经典排序论中使误工工件的个数为最少的单台机器排序问题,简称为误工问题,是排序论中最基本的问题之一。著名的Moore-Hodgson算法可以在时间O(nlogn)内得到误工问题的最优解。虽然经过改进,然而Moore-Hodgson算法最优性的证明仍然非常复杂。本文给出Moore-Hodgson算法最优性的一个非常简洁的新的证明。由于误工问题在排序论里的重要性,本文给出的新的证明在理论上是有重要意义的,是可以为排序论的专著和教材所采纳的。此外,对于推广的误工问题,例如,某些工件必须不误工的排序问题,或者工件的就绪时间不相同、但是与交货期有"一致性"关系的排序问题,或者工件的加工时间与工件的权有反向"一致性"关系的排序问题等,也可能有简洁的证明。     

BP 神经网络网络结构优化问题的研究

将灰色关联分析法应用到BP神经网络隐层结点数的确定中,实现了BP神经网络网络结构的优化,提高了网络的预测精度.仿真结果表明这种方法非常有效,同时也对BP神经网络的进一步研究提供了一种全新的思路.     

改进的基于端到端学习的蜻蜓目昆虫识别算法

[目的]传统的蜻蜓目(Odonata)昆虫的鉴别算法是在标本图片上进行人工的特征提取来训练分类器,此类方法所用的数据集包含的蜻蜓目昆虫种类和数量均较少,并且样本背景单一,导致识别率低且只能识别标本图片.针对这些问题制作了一个同时包含蜻蜓目昆虫生态图片和标本图片的数据集,提出一种基于深度学习的蜻蜓目昆虫的识别算法.[方法]采用具备端到端学习优势的网络框架,在上述数据集上,使用在ImageNet上迁移学习的ResNet50进行特征提取,使用新的区域建议网络Imp-RPN进行特征筛选,再使用改进的损失函数来解决样本分布不均的问题.[结果]所提出的识别算法在精确到种的46类分类任务中识别率达到了96.2％,在精确到种并包含性别信息的90类分类任务中识别率则达到了88.7％.[结论]端到端的深度学习网络框架免除了人工标注样本的时间成本,提高了识别准确率,更能满足物种鉴别任务的需求.     

用神经网络实现三值PMC模型的计算机系统诊断

本文系统地研究了如何构造一个神经网络来实现三值ＰＭＣ（ｐｒｅｐａｒａｔｅ－Ｍｅｔｚｅ－ｃｈｉｅｎ）模型的计算机系统诊断。大量模拟实验表明，用神经网络来解决计算机系统诊断问题非常有效；同时，，模拟实验还得出了电容，，Ｃ电阻Ｒ，放大系数Ｋ与网络收敛时间的关系。     

基于云-灰关联分析的教学评价研究

教学评价是使教学系统保持稳定发展的重要手段,采用科学合理的评价方法对教学质量进行有效的评价,对于改进教学、提高教学质量有着非常重要的作用。针对教学评价指标的模糊性和不确定性等特点,结合云模型与灰色关联分析的优点,提出了云-灰关联分析评价模型。该方法在综合云理论的基础上将两个或多个以上的同类型语言值综合为一个更广义的概念语言值,通过云模型实现定性语言值与定量数值之间的相互转换,并利用灰色关联分析法确定各评价指标的权重,借鉴灰色关联理论完成对教学质量的综合评价。实例证明,该方法具有较强的可行性和客观性。     

基于k-means++的多分类器选择分类研究

【目的】机器学习中不同算法适用于具有不同分布特征的数据集。在用整个训练集上训练得到的单个分类器预测新样本类别时,由于缺少对局部区域样本的针对性,可能导致分类器对某一区域数据的预测能力较差而产生错误分类。为了解决这个问题,提出基于k-means+ +的多分类器选择算法。【方法】首先用3种分类综合性能较好的算法———Ada-Boost、SVM、随机森林(RF)在训练集上分别训练得到3个分类器作为候选基分类器,然后利用k-means++算法将训练数据集分为k个簇,用3个候选分类器分别对每个簇进行分类测试,选择对这一簇中数据分类精度最高的分类器作为与它的数据相似数据的分类器。在对新样本进行类别预测时,首先判定样本属于哪个簇,然后用它的分类器进行分类预测。【结果】实验结果表明,新算法在9个UCI数据集上优于单个分类算法。【结论】基于局部区域动态选择最优分类器可以提高模型分类准确性。
     

强预不变凸函数的性质

给出了在上半连续(下半连续)条件下判别一个函数是强预不变凸函数的两个条件。另外还给出了强预不变凸函数、严格预不变凸函数和半严格预不变凸函数的一些性质。