核Foley-Sammon变换

在模式识别领域,基于Fisher判别准则的Foley-Sammon变换技术有很大的影响.但是线性判别并不总是最优的.文章提出了一种基于核技巧(Kernel tricks)的非线性的特征提取技术KFST(Foley-Sammon Transformwith Kernels)——通过引入核技巧,可以在特征空间中有效计算FST.特征空间中的线性特征提取对应于输入空间的非线性特征提取.试验表明,KFST比FST具有更好的特征提取能力.     

基于KFST特征提取的KNN算法

提出了基于KFST(核Foley-Sammon变换)特征提取的KNN算法(KNNKFST):首先利用KFST来提取特征, 然后在按照特征被提取的先后关系赋权重, 再利用KNN算法进行分类. 实验表明, KNNKFST能够在大多数情况下极大地提高分类准确率.     

基于Foley-Sammon变换的朴素贝叶斯分类器

朴素贝叶斯分类器在机器学习领域中一种重要的分类算法,但是该算法的前提是:要求数据集在给出分类属性的情况下,其他属性之间是独立的。根据这个前提,利用Foley-Sammon变换算法进行特征提取,提出了一种基于Foley-Sammon变换的朴素贝叶斯分类器NBFST(Naive Bayesian classifier with Foley-Sammon Transform)。实验表明,NBFST能够在大多数数据集上具有较高的分类准确率。     

基于共享存储器的共同进化算法

讨论了基于共享存储器的共同进化算法，该算法是一种基于粒度并行模型的进化算法，应用共享存储器方法提高算法的性能，仿真实验证实了算法在改善早熟收敛以及收敛速度等方面具有良好的性能。     

智能出卷测试系统的设计与实现

阐述了智能出卷测试系统的设计要求、结构和功能,讨论了其在未来网络化教学环境中的应用。采用了Interbase数据库能够很好地实现C/S模式的转化与设计。     

基于改进SVM的特征选择

本文在仔细分析特征选择思想的基础上，将特征选择过程嵌入到学习机里面，提出了一种基于改进支持向量机的特征选择算法（Feature selection via Modified Support Vector Machines），该方法通过对特征的权重进行排序来实现特征选择．利用可以将特征选择过程和学习过程有机地统一起来，实验表明，与其它方法比较，该方法能够达到比较好的效果．