决策树优化研究

提出用新的极值点禁忌搜索算法构造分类问题的全局优化决策树,该算法呆用于不可微分的目标函数。全局树优化方法是非贪婪的,用于构造具有固定结构的多变量决策树,将多变量决策树表示成析取线性不等式集合,全局树优化就是使析取线性不等式中的分类误差最小化。     

顺序故障诊断策略的测试费用期望值估计

文章研究顺序故障诊断策略,试图最小化测试费用的期望值;阐述了3种经典算法及其思想,对信息熵和贪婪算法进行了深入讨论;基于信息熵的贪婪算法,给出其测试费用期望值的一个上下界;当测试集满足一定特征且测试费用相等时,给出了基于Huffman算法的一个估计。     

基于概率与贪婪算法的商品在线租赁业务模型及应用

针对网络在线租赁这一新型业务,根据概率与贪婪算法的思想,对在线租赁业务的两个主要问题：商品储备量的最小化和客户满意度的最大化,进行了分析并建立模型求解．并对算法模型进行了求解实证．     

多类分类模式识别系统一致性信度的研究与应用

运用模式识别和数理统计的基本原理。研究了多类分类模式识别系统识别的K指标评鉴标准．通过构造一个分类结果的统计量,分析了K指标的点估计、区间估计的计算方法。给出由指标K的点估计值、区间估计优化分类参数的算法,提出一种优化过程的统计学习方法．     

一种OFDM稀疏信道估计系数优化方案

围绕利用贪婪追踪算法的正交频分复用（orthogonal frequency division multiplexing, OFDM）调制系统的稀疏信道估计,研究了由于原子的错误选择所导致的恢复性能下降问题.基于针对贪婪追踪算法中最小二乘重构运算过程的分析,发现错误原子上存在严重的原子系数的过估计现象.在此基础上,提出了利用相邻符号间信道路径时延相关性的系数优化方案（coefficients optimization scheme, COS）,用以提高原子选择错误时稀疏信道估计的准确性.仿真结果表明,将COS与传统的正交匹配追踪（orthogonal matching pursuit, OMP）算法和稀疏度自适应匹配追踪（sparsity adaptive matching pursuit, SAMP）算法融合,都有效地抑制了原子的错误选择对稀疏信道估计的影响,并且在低信噪比下提升了贪婪追踪算法的估计性能,在不同多径信道模型下的仿真测试中均具有较好的鲁棒性.     

一种用于方向预测的集成学习算法

对用方向向量标识示例的学习问题,以预测方向与实际方向之间的方向误差最小化为目标,提出了一种可用于方向预测的集成学习算法,详细分析了构造多个预测函数以及组合各个预测函数以实现方向的最优化预测方法. 提出的算法具有广泛的应用特性：当用不同的轴向来标识类别时,可简化得到多分类连续AdaBoost算法,其能确保训练错误率随分类器个数增加而降低;用错分代价组成的向量来标识示例时,可简化得到一种平均错分代价最小化的集成学习算法. 理论分析和实验结果均表明了算法的合理性和有效性.     

贪婪初始种群的遗传算法求解柔性作业车间调度

针对柔性作业车间调度问题,文章以最小化完工时间为目标,提出了基于贪婪算法的贪婪初始化,设计了贪婪初始化与随机产生相结合的初始化方法;为克服遗传算法陷入局部最优的缺点,设计了一种结合种群多样性筛选及初始化种群替换的选择操作;最后运用提出的优化算法求解了基准实例。与其他文献算法优化结果的比较表明,该改进算法稳定性高、收敛速度快,算法有效且可行。     

基于解耦原子范数最小化的二维DOA估计

近年来,原子范数最小化算法成为DOA估计领域的重要工具.针对二维DOA估计中解耦原子范数最小化DANM算法只适用于单快拍的场景,提出一种适用于多快拍场景的改进DANM算法.首先,通过改变DANM算法中的优化模型结构,进一步将基于矢量化的传统2D ANM求解模型解耦为2个一维ANM求解模型,使其适用于多快拍的场景;其次,...     

基于SVM的分类算法与聚类分析

运用结构风险最小化原理和聚类原理，将支持向量机中有监督的分类算法与统计中无监督的聚类算法有机地结合起来。对线性可分与线性不可分两种情况分别建立了无监督的分类模型，模型的求解转化为一个二次规划问题。同时此模型也适合于多分类情况，在应用到心脏病的医疗诊断中，准确率为88．5％，较以前的方法有了明显的提高。     

基于贪婪选择的半朴素贝叶斯分类器研究

针对朴素贝叶斯分类器忽略属性间依赖关系造成分类准确性降低的问题,提出了基于贪婪选择算法的半朴素贝叶斯分类器分组改进算法.改进过程中依据不同参数的调整和属性选择技术衍生出3种分组方法,获得不同的改进方式,建立了贪婪选择半朴素贝叶斯分类器,实验采用UCI数据库中选取的数据进行分类.结果表明,改进的分类器具有良好的分类准确率.     

A usable selection range standard based on test suite reduction algorithms

In this paper, we analyze the features and distinction of 6 classical algorithms: greedy algorithm (G), greedy evolution algorithm (GE), heuristics algorithm (H), greedy heuristic G (GRE), integer linear programming algorithm (ILP) and genetic algorithm (GA) to ensure the main influencing factors-the performance of algorithms and the running time of algorithms. What's more, we would not only present a research design that aims at gaining deeper understanding about the algorithm classification and its function as well as their distinction, but also make an empirical study in order to obtain a practical range standard that can guide the selection of reduction algorithms. When the size of a test object (product of test requirements and test cases) is smaller than 2000×2000, G algorithm is the commonly recommended algorithm. With the growth of test size, the usage of GE and GRE becomes more general.     

基于MRF模型和EM算法的多源图像融合方法

提出了两种图像融合方法。该方法首先利用EM-MRF算法与模糊分类方法的等价性,将EM-MRF算法引入到图像融合领域。在此基础上,利用统计模型对图像进行非监督分类的模型参数估计转化通过EM算法从不完全数据中估计模型参数的问题,并利用Markov随机场模型建立类别的先验概率、EM迭代算法进行图像分类的方法有较高的分类精度和鲁棒性,导出了基于分布式和集中式多传感器图像融合模型的两种融合方法。最后仿真试验表明,这两种融合方法既可以提高分类精度,又可以加强对噪声的抗干扰能力。     

自回归谱估计算法的分类及应用

为了进一步使自回归谱估计算法系统化,为评价算法、选择算法和发展新算法提供参考,本文提出了一种自回归谱估计算法的分类法.文中还介绍了在此分类法的指导下研究出来的一种新的自回归谱估计算法.     

互联网时延稀疏估计中恶意节点的贪婪性识别

为了增强基于坐标的互联网时延稀疏估计算法遭受恶意攻击的生存能力,提出了一种分布式环境下的恶意节点识别算法。攻击者总是试图以尽可能小的代价实现显著的攻击效果。在分别利用l_1和l_2损失函数计算坐标以进行时延估计时,这种贪婪特征体现为估计误差的显著差异。分别以SMACOF和增量次梯度下降法代入不同损失函数计算临时坐标,利用给定阈值,清洗在不同临时坐标下的估计误差差异过大的参考节点;并二次代入l_1损失函数计算最终坐标。仿真实验证明,该方法能够在不影响时延估计精度的前提下,实现对恶意节点的有效识别。     

支持向量机的算法研究

支持向量机(support vector machine,SVM)是20世纪90年代发展起来的一种新型机器学习方法,是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析。并已成为国际机器学习界的研究热点。本文主要讨论其基本原理与SVM训练算法。     

支持向量机的算法研究

支持向量机(support vector machine,SVM)是20世纪90年代发展起来的一种新型机器学习方法,是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析.并已成为国际机器学习界的研究热点.本文主要讨论其基本原理与SVM训练算法.     

基于光滑化方法的支持向量回归算法

支持向量机是在统计学习理论的基础上发展起来的新一代学习算法,由于其出色的泛化能力,在文本分类、手写识别、数据挖掘、生物信息学等领域中获得了较好的应用.提出了一种光滑支持向量回归算法,实验结果表明,它相对于其它回归训练方法有较快的收敛速度和较高的拟合精度.     

基于压缩感知的智能天线 DOA 估计算法

波达方向（direction of arrival,DOA）估计是利用具有一定空间结构的天线阵元对空间信源的来波方向进行估计。为解决MUSIC算法和ESPRIT算法在智能天线DOA估计中空间谱分辨率和抗噪声性能方面的不足,依据压缩感知理论的贪婪算法思想,将匹配追踪（matching pursuit,MP）算法和子空间追踪（subspace pursuit,SP）算法应用在DOA估计中,即提出2种新的算法MP-DOA和SP-DOA。这2种算法主要包括原子库建立、信号投影、最佳匹配原子筛选及信号特征提取等过程。4种算法的仿真实验与对比分析结果表明,MP-DOA算法在低信噪比情况下较其他3种算法性能更优越,SP-DOA算法在角度分辨率和对信源数的包容方面的性能较其他3种算法优越,也验证了应用压缩感知理论的优越性。     

求解最小二乘问题的带动量的Gauss-Seidel方法

最小二乘问题是重要的数学与统计模型,广泛用于回归分析、参数估计、最优控制和数据拟合等领域。基于古典的Gauss-Seidel方法,推导了求解最小二乘问题的迭代格式。结合Gauss-Seidel方法和Polyak''s Heavy-Ball技术,提出了动量型Gauss-Seidel方法的算法框架。根据贪婪的策略选择指标,建立了贪婪的动量型Gauss-Seidel方法的线性收敛性。最后,数值实验表明贪婪的动量型Gauss-Seidel方法在迭代步数和计算时间方面均优于贪婪的Gauss-Seidel方法。     

统计学习理论算法在跳频信号分选中的应用

在第3方截获并检测到跳频通信信号后,由于无先验知识,所以对其进行网台分选不便采用传统有监督学习算法.即便采用无监督的算法,目前多数算法对分类个数等相关消息也必须有所借鉴并在多分选参数的逐级分选中通过先验知识进行有效性判断和筛选.针对电子支援中探测到的跳频信号分选所遇到的困难,利用统计学习理论在小样本学习及非线性分类上较其它传统分类算法更好的性能,提出基于统计学习理论的无监督及半监督学习算法,对第3方得到的跳频网台分选进行应用,取得理想结果.为跳频通信侦察过程中的分选工作,提供一种应用鲁棒性好,分选准确度高的方法.