基于重选择流形排序的图像检索

在研究已有基于流形排序图像检索算法存在问题的基础上,提出一种基于重选择流形排序的图像检索算法,此算法可以在节约时间的同时,进一步提高检索结果的精度,并在实际图像数据库中的实验结果验证了此算法的有效性.     

一种基于重排序的XACML策略评估优化方法

可扩展的访问控制标记语言(XACML)逐渐成为访问控制的标准之一,这就要求XACML具有高效的策略评估引擎。然而当规则和策略数达到一定规模时,策略评估性能很容易成为制约系统可用性的瓶颈。为了解决这一问题,该文综合考虑策略/规则最近执行记录及其复杂度,提出一种自适应的策略/规则重排序方法。该方法基于少部分策略/规则处理大部分请求,把高优先级策略/规则放于执行队列头部,从而提高了访问控制的系统策略评估效率。仿真实验结果表明,提出的方法在巴莱多定律前提下与现行的Sun XACML PDP引擎相比,性能有明显提升。     

一种基于线性插值的流形学习算法

作为一种有效的非线性降维方法,流形学习在众多领域引起了广泛关注并取得了长足发展.但当样本点较为稀疏时,样本点的局部邻域很难满足流形学习局部同胚的前提条件,此时流形学习算法往往效果变差甚至失效.一种有效的解决方法是增加一些新的插值点.为此,提出了一种基于三角形重心线性插值技术的流形学习算法.实验结果表明,插值算法能改善样本点的局部结构.将插值算法应用到经典的流形学习算法如LTSA后,实验结果证实了算法的有效性和稳定性.     

一种基于经验模态分解和流形学习的滚动轴承故障诊断方法

提出一种基于经验模态分解(EMD)和流形学习(LTSA)的滚动轴承故障诊断方法。首先,利用EMD对滚动轴承振动信号进行自适应分解,计算IMF分量的协方差矩阵特征值,组成滚动轴承状态原始特征集;然后利用LTSA对原始特征集进一步的融合提取;将所得新特征输入到K-means分类器中进行故障识别与聚类。实验分析结果表明:该方法可以有效地对滚动轴承的工作状态和故障类型进行识别。     

一种基于迭代分解的增量流形学习算法

流形学习可以用于发现大型高维数据集的内在结构,并给出理解该数据集的潜在方式,已被视为一种有效的非线性降维方法 .近年来,新数据点不断地从数据流中产生,将改变已有数据点及其邻域点的坐标,传统流形学习算法不能有效地用于寻找高维数据流的内在信息.为了解决该问题,本文提出了一种基于迭代分解的增量流形学习算法IMLID(Incremental Manifold Learning Algorithm Based on Iterative Decomposition),可以检测到数据流形中的逐步变化,校准逐渐变化中的流形,可提高在取样于真实世界的特征集上分类效果的精确率,利用真实数据集进行实验验证,结果表明本文提出的算法是有效的,与其他相关算法相比,其性能具有优势,在模式识别、生物信息等领域具有应用价值.     

两种基于谱方法的流形学习算法研究

流形学习方法是一种新型的非线性降维方法,它可以有效地对具有内在流形形式的非线性高维数据进行维数约简.目前,流形学习已被成功应用于聚类、可视化等数据挖掘领域,表现出卓越的性能.首先讨论了流形学习的研究现状,然后介绍了这一领域中影响最大的2种算法:局部线性嵌入算法和等距特征映射算法.     

一种基于专家权重的方案排序方法

由于群体决策的相对熵模型和特征根法模型给出的是一个完全确定的方案排序结果,没有定量描述最终结果的不确定性,对同一个方案进行决策时可能会产生冲突;文章利用判断矩阵的信息求得专家权重,提出了可以定量描述不确定性的专家权重排序方法;最后的案例说明该方法是可行的、有效的。     

一种基于Biharmonic样条插值的流形学习算法*

作为一种有效的非线性降维方法,流形学习在众多领域吸引了广泛的关注并取得了长足的发展。但当样本点较为稀疏时,样本点的局部邻域很难满足流形学习局部同胚的前提条件,此时流形学习算法往往效果变差甚至失效。一种有效的解决方法是增加一些新的插值点。但已有的插值方法选取的插值点与原样本点均存在线性关系。从线性代数的理论来说,由插值点和原有邻域点张成的线性子空间与原有邻域点张成的子空间是一样的,因此,不会改善线性逼近的误差。而且,插值点没有反应出流形的本质结构和特征,从理论上背离了数据降维的目的。为此,提出了一种基于Biharmonic非线性插值技术的流形学习算法BbMLA。由于是从高维曲面逼近的角度非线性的选择插值点,插值出的样本点不会被原有邻域点线性表示,从而能更好的重构原样本点。将BbMLA应用到多个数据集后,图示说明了插值点能够有效的改善邻域内的样本点结构,同时插值后的流形学习算法具有较好的有效性和稳定性。     

一种新的基于自组织映射的流形学习算法

针对自组织映射(Self-Organizing Map,SOM)算法在进行流形学习时容易陷入局部极值和产生"拓扑缺陷"问题的原因,提出了一种新的基于SOM的流形学习算法:TO-SOM(Training Orderly-SOM).根据流形的局部欧氏性,TO-SOM算法从一个局部线性或近似线性的数据子集出发,按照数据的内在流形结构对其进行有序训练,可以避免局部极值、克服"拓扑缺陷".根据SOM算法的鲁棒性,TO-SOM算法在成功学习数据内在流形结构的同时,对邻域大小参数和噪声也不像ISOMAP和LLE等现有流形学习算法那样敏感,从而更容易得到实际应用.     

基于流形排序的电网截面数据检索

随着电力系统信息化的发展,电网数据具有数量大、类型多、维度高的特点。针对在数据检索时多维度查询效率不高,检索结果无法多维度整体匹配的问题,提出一种基于流形排序的电网截面数据检索方法;该方法将电网截面数据描述成多维向量空间中的对应点,创建加权图模型。通过考虑数据的整体近似流形结构来获得检索结果,使之与源查询之间具有较高的相关性;使用置信传播分配排序分数,提高了检索结果的准确性,有效避免相关性度量对高维数据查询处理的不足。     

地理信息检索中基于文档地名感知的排序方法

为了降低与主题不相关的地名对地理相关性产生的负面影响,提出一种基于文档地名感知的排序方法.该方法不确定文档的地理范围,而是分别计算文档中出现的每个地名与查询范围的相关性,以减小文档中不相关地名对检索结果的影响.实验表明,基于文档地名感知的方法的检索效果优于确定最小边界矩形的方法和基于tf-idf的方法.     

基于QE的机器翻译重排序方法研究

该文提出了一种融合BERT语境向量的多模型集成的翻译质量估计方法,以及基于译文质量估计的多候选译文重排序方法,实验结果表明,这2种方法均取得了较好的实验效果.     

倒排文档检索的一种方法

倒排文档检索是情报检索系统的核心问题,而对逻辑提问式的处理又是倒排文档检索的关键步骤。倒排文档检索通常采用福岛方法,这种方法需要较多的内存空间,故对中、大型计算机系统是适宜的。但在情报检索与事务处理己经广泛应用到小型特别是微型计算机系统的情况下,福岛方法就未见得是一种有效的方法。本文在文献[3]的基础上,采用对逻辑提问式中的运算项、算子与算符、以及产生的中间结果统一确定优先级,对逻辑提问式直接进行一次扫描的方式,将中间结果在赋于优先级之后,作为中间文件暂存于外存,以后随用随调求得时间与空间的一种权衡,使之对逻辑提问式的处理在小型特别是微型计算机上得到较好的解决。     

一种改进的基于编号的选择排序方法

排序是计算机程序设计中的一种重要操作,在现有的排序方法中,多数情况都是对数据原始排列顺序的一种破坏,一旦进行了排序,数据原始存储顺序就发生了改变,若想再基于数据原始排列顺序进行其他操作也就困难了.排序只是对数据的一种分析手段,对数据记录并不需要一定将其排列有序,只需要对它做好排序准备,在需要排序时再进行排序操作.文中基于应用对选择法排序做了改进,同时,在选择法一次只能选一个的基础上,提高成一次可以确定两个记录,这样也提高了排序效率.     

一种新的排序方法——影射排序法

提出了一种新的排序方法－影射排序法，在很多问题的应用中使用此方法可提高程序的运行效率，其时间复杂度为Ｏ（Ｎ）。     

基于流形学习的离群点检测方法

为了提高高维数据集合离群数据挖掘效率,提出了一种基于流形学习的离群点检测算法。局部线 性嵌入（ locally linear embedding, LLE）算法是流形学习中有效的非线性降维方法,它的优势在于只定义唯一的 参数,即邻域数。根据LLE算法的思想寻找样本数据的内在嵌入分布,并通过邻域数选取和降维后数据点之 间的距离调整,提高了数据集中离群点发现效率,同时利用离群点权值判别式进行权值数据判定,根据权值 的大小标识出数据集中的离群点,仿真实验的结果表明了该方法能够有效地发现高维数据集中的离群点。 与此同时,该算法具有参数估计简单、参数影响不大等优点,该算法为离群点检测问题的机器学习提供了一 条新的途径。     

一种基于流形距离的中文语块聚类分析方法

将中文语块分析看做词在句子内部聚类并标记语块类别的过程, 建立了中文语块分析的聚类模型。首先构建词的语法功能空间, 使用ISOMAP方法重构词空间的低维流形嵌入, 进而考察词在低维空间中的分布情况。在使用层次聚类方法分析语块时, 使用流形上的距离替代传统的欧式距离, 在算法复杂度可以接受的范围内, 提高了语块分析效果。     

基于模糊判断矩阵的一种方案排序方法

针对决策者给出的一类模糊判断矩阵,给出了一种方案排序方法·该方法是依据模糊判断矩阵及其一致性的定义,建立了一个带有约束的非线性最优化模型,通过求解这个最优化模型,可以直接得到每个方案的排序值·采用该方法得到的方案排序结果最大程度地反映了决策者的偏好·最后给出了一个算例·     

一种基于朴素贝叶斯的校准标签排序方法

传统的校准标签排序算法(calibrated label ranking,CLR)利用成对标签关联进行转化来预测结果.该算法的校准是在二元关系算法(binary relevance,BR)基础上进行比较产生结果,其预测对BR产生结果具有一定的依赖性,因此该算法在预测某些数据集时具有一定的局限性.为了更好地区分标签的相关性和不相关性,提出了一种用于标签边界域的校准方法,对处于相关性标签和不相关性标签的边界部分采用贝叶斯概率进一步校正,从而提高边界域部分分类的准确性.基于朴素贝叶斯校准的标签排序方法(calibrated lable ranking method based on naive bayes,NBCLRM)与校准标签排序等7种传统的方法进行对比,实验结果表明,本文提出的算法不仅可以根据需求修改阈值ε和μ来调节预测结果,而且能够有效地提升传统多标签学习方法的性能.     

基于Fuzzy偏好关系的一种方案排序方法

如何根据Ｆｕｚｚｙ偏好关系选择最优方案或进行方案的排序是一个重要的研究内容·针对Ｆｕｚｚｙ偏好关系提出了一种新的方案排序方法·首先描述了Ｆｕｚｚｙ偏好关系及其含义,然后建立了一个最优化模型并通过求解该模型来得到方案的参考排序值,使最终方案的排序结果最大程度地反映决策者的偏好,最后给出了一个算例·