一种新的粗糙集与支持向量分类机算法

用支持向量机的机器学习是依据结构风险最小化原则,序列最小优化(SMO)是较特殊的分解算法。对高维大样本对象,支持向量机训练算法面临耗时增大与维数灾问题,利用粗糙集(RS)对不确定数据处理能力,提出一种新的粗糙集与支持向量分类机算法RS-SMO,可以对数据集做属性约简,生成类边界集作为SMO的训练子集,比原始训练集的维数与规模大小都有一定程度的减少,可构造出具有较好时空性能的算法。用两个实用数据对象做仿真,实验结果表明算法RS-SMO比SMO的性能有大的提高,实现了结构风险最小化。     

基于粗糙集属性变分区的属性约简

应用粗糙集的方法，分析决策系统中不同的属性分类方法，以及不同分类方法引起的属性重要性与属性相对约简极小子集的变化情况，寻求属性分类方法与属性约简结果相互影响的内在因素，给出高效的属性分类方法和合理确定约简子集的策略，生成策略对应软件的实现算法，并运用软件实现算法来选取相对约简子集．试验结果显示了该策略及算法的有效性．     

基于粗糙集的支持向量回归机混合算法

利用粗糙集(RS)对不精确数据的处理能力,生成分类数据的边界集,替代原始样本作为训练集,减少训练集与获取的支持向量的数量,然后使用支持向量机的最小序列优化(SMO)算法改进回归学习机的性能.将粗糙集与SMO回归算法结合提出一种混合函数回归算法RS-SMO-RA.在常用SMO回归算法SMO-RA基础上,扩增一段简短的生成边界样本的算法程序.仿真结果表明,算法RS-SMO-RA的效率更高,且能够改进学习结果的性能.     

基于人工免疫网络的模式识别算法

针对实际对象数学模型不明确而难以控制的问题,采用人工免疫网络的离散模型与学习算法,将人工免疫系统与神经网络结构的优势相结合,提出了一种基于人工免疫网络的模式识别算法,构造了对象识别的人工免疫网络模型.该算法综合了网络节点的定位与参数调整以及对基函数的平滑因子实施调谐等功能,有效地解决了径向基函数(RBF)神经网络模式识别的两个阶段任务,使模式识别的精度有较大的改进.采用两个不同对象函数进行的仿真试验表明,该算法具有快速收敛性与较高的准确性.     

基于粗糙集与支持向量机的分类算法

针对高维大样本环境下支持向量机训练算法面临界的耗时增大与维数灾问题,将序列最小优化算法(SMO)与粗糙集(RS)的数据处理功能相结合,提出一种新的基于粗糙集与支持向量机的分类算法RS.SMO.该算法依据属性的重要性对数据集作属性约简,用粗糙边界集法生成类边界集作为SMO的训练子集,使训练集比原始训练集的维数与规模都有一定程度的减少,可构造出具有较好时空性能的算法.实验结果表明,RS-SMO算法能实现结构风险最小化,且性能优于SMO算法.