FLDA的核化过程

核方法是近年发展起来的一种新的机器学习方法,它可在高维(特征)空间中用线性的方法有效地解决低维(输入)空间中线性不可分问题.采用核方法,在Mika提出的核Fisher判别基础上,给出Fisher判别分析从输入空间变换到特征空间的数学过程(核化过程),并对特征空间中投影向量可由训练样本线性表示问题予以证明.     

模糊主分量分类器

W.J.Hu提出的主分量分类器(PCC)通过最大化两类样本在分类面法方向上的投影代数和,实现样本分类.PCC是基于样本的统计平均特性,所以少量的野值对分类面方向的确定影响较小,而SVM对野值较为敏感.PCC与支持向量机相比具有较好的鲁棒性.但是PCC对野值的处理等同于其他样本,尽管有效果,但仍会影响分类面的求取,同时也缺乏直观上(或物理上)的解释,而且没有考虑随机噪声对分类面的影响.鉴于此,在PCC的基础上进行改进,引入模糊思想,设计了一组模糊型的主分量分类器,进一步弱化野值和随机噪声对分类面的影响.人工数据集和Beachmark数据集上的实验证明了新分类器的有效性.     

增强的主分量分类器

主分量分类器是在最大化样本投影代数和的前提下求解分类面法方向,并采用核方法解决线性不可分问题．它对所有真实世界样本(包括野值)的重视程度相同,且只考虑了一个野值．设计并实现了一类鲁棒性较主分量分类器更强的增强型主分量分类器,其中重点讨论了三种典型权设置下的分类器特性．分析和实验证实了增强的主分量分类器的抗野值、噪声性能以及学习和推广能力均优于主分量分类器．     

单实例分类算法研究

针对不平衡分类问题的极端情况,即用于训练的样本极少甚至只有一个实例,该文提出了一种单实例分类算法,这种方法使用球面作为分类面,在目标类的单实例在球内和反类尽量位于球面外的约束条件下,最大化该分类球面的半径,该方法能够有效地处理线性可分的数据分布.当输入样本分布结构呈高度非线性时,该算法通过核映射将低维输入空间中的非线性可分问题变换为高维特征空间中可能的线性可分问题,并以内积形式刻画,最终在特征空间上通过核技巧获得原问题的解决.通过对标准数据集和实际数据集的实验,验证了单实例分类算法在处理数据不平衡问题上的有效性.     

自动化车床的最佳工序管理

针对自动化车床连续加工工序的特点,在实际可行性的基础上,选择适当的抽检方案及刀具更换方案。模拟1在实际经验的基础上利用现代工具－－计算机进行搜索获得较好的结果。针对问题2引入损益函数建立模型2,通过研究损失费用来达到最佳的工序设计,在问题3的讨论中采用预控法,对工序检验进行了很好的改进。     

ε不敏感的核Adaline算法及其在图像去噪中的应用

核Adaline是在最小均方误差基础上，通过迭代产生回归函数，逼近目标函数，方法简单，速度快．引入支持向量机中的不敏感带，推广了核Adaline算法，并将其应用于图像去噪．实验证明，不仅可以有效去除尖峰噪声，而且对随机噪声也具有一定的抑制作用．