基于Hellinger距离的连续型总体的假设检验

研究了两个连续型总体参数的假设检验问题.基于Hellinger距离和参数的最大似然估计,建立了一个检验统计量.在一定条件下,证明了所建立的统计量渐近服从自由度为1的卡方分布.最后用随机模拟的方法研究了所建立的统计量的稳健性,并且与似然比检验作了比较.     

基于支持向量机的多类分类算法研究

基于支持向量机的多类分类方法通常采用多个标准的二分类支持向量机来求解,在一对一多类分类方法的基础上,通过对构成分类边界的超平面的研究,引入了"核空间距离",并提出有效的算法减少分类超平面的数量,并在UCI数据库上进行实验,结果表明能够提高测试效率以及分类精确度,减少了过学习问题的产生,具有更好的推广性能。     

最小Hellinger距离方法在扩散过程参数估计中的应用——基于转移密度的估计量

为了研究扩散过程的参数估计问题,本文基于最小Hellinger距离的定义给出了利用转移密度构造的参数估计量.首先定义了转移密度的非参数估计量并研究了它的性质(一致收敛性以及渐近正态性),然后通过最小化扩散过程的转移密度和该密度的一个非参数估计量之间的距离构造扩散过程的参数统计量,实现这一统计量的一致收敛性和渐近正态性.最后为了强调说明该方法的可行性,本文将这一方法应用于几何Brown运动和CEV模型这两个例子.     

基于二叉树的SVM多类分类算法研究

支持向量机是一种高效的分类识别方法,在解决高维模式识别问题中表现出许多特有的优势.支持向量机本身是一个两类问题的判别方法,不能直接应用于多类问题.介绍了基于二叉树的SVM多类分类算法,通过对其原理和实现方法的分析,对这些方法的优缺点进行了归纳和总结,给出了进一步的研究方向.     

基于类间距离的Logistic序贯多分类的成都空气质量污染分析

空气质量与人们的身体健康息息相关,分析影响空气质量的污染物是十分重要的工作。本文采用类间距离的序贯logistic多分类方法对成都市2019年5月至2020年4月的空气质量数据进行分析,该方法基于类间距离,把多分类问题转化为多个二分类问题,再基于序贯的原理使用二分类logistic,最后利用逐步回归后的正确率来分析影响空气质量的污染物。实验结果表明,PM2.5,PM10,NO2,O3这4类污染物的对成都市空气质量综合影响力最大,政府应该加强对这几类污染物的联合监控并制定相应的政策来减少污染物的排放。     

一种基于增量式超网络的多标签分类方法

在层次多标签分类问题中,一个样本同时被赋予多个类别标签,并且这些类别标签被组织成一定的层次结构。层次多标签分类问题的主要挑战在于：①分类方法的输出必须符合标签的层次结构约束;②层次深的节点所代表的标签往往只有很少的样本与之相关,造成标签不平衡的问题。提出一种用于层次多标签分类问题的增量式超网络学习方法(hierarchical multi-label classification using incremental hypernetwork, HMC-IMLHN),通过将超网络的超边组织成相应的层次结构,使输出的预测标签能够满足标签的层次约束。此外,超网络学习方法可以利用标签之间的关联减少标签不平衡问题对分类性能的影响。实验结果表明,与其他层次多标签分类方法相比,提出的增量式超网络方法能够取得较好的分类准确性。     

一种时空高效的多类别文本分类算法

低时空复杂度始终是多类别文本分类算法希望达到的性能。新闻文档集中Token频率分布的研究再次验证了Token频率分布普遍服从幂律。据此设计了一种新的多类别Token频率索引数据结构,并基于该数据结构提出了一种低时空复杂度的多类别文本分类算法。在TanCorp数据集上的实验结果表明该算法在多类别新闻文档分类应用中是时空高效的。     

基于二叉树支持向量机多类分类算法的研究

基于二叉树的支持向量机多类分类算法虽然在目前现有的多类分类算法中总体性能较优,但是仍然存在分类精度和分类效率不高的问题。针对这些问题,提出了一种新的基于欧氏距离的二叉树支持向量机(Distance binary tree SVM,简称DBT SVM)多类分类算法,该算法综合地考虑了两类最近样本的欧式距离、类中心的欧氏距离对分类的影响,并且使最容易分离的类能优先分离出来。通过在UCI标准数据集上进行实验验证,结果表明该算法行之有效。
     

基于迁移学习的实时多类别文本分类方法研究

在实时文本分类任务中经常会有新类别出现,传统的文本分类方法通常难以利用实时的小规模样本学习新类别的模型。提出了一种基于迁移学习的新类别模型训练方法。首先将迁移学习技术和LS －SVM 算法结合,设计正则化项以控制源模型的迁移量及新模型与源模型的相似度,达到增量迁移。其次具体讨论了正则化项的学习方法。实验结果显示该方法相对同类算法有更好的分类性能,可以更高效地完成各种实时文本分类任务。     

一种基于可行域解析中心的多类分类算法

在分析OvA多类分类方法及基于SVM的多分类器的不足的基础上,提出一种基于可行域解析中心的多类分类器MACM．由于该分类器对应可行域解析中心且无需重复构造k个两类分类器,因此它解决了OvA方法计算量大及分类速度低问题,同时也克服了基于SVM的分类器在可行域不对称或狭长时,泛化能力明显降低问题．实验结果验证了上述观点,证明了MACM的有效性．     

一种基于矩阵变换的层次聚类算法

针对K-means算法需预先确定聚类数的缺陷,提出一种基于矩阵变换的层次聚类(NHC)算法,通过对矩阵行列的排序、变换,把矩阵分块成子矩阵聚类,以熵作为评价聚类结果标准.实验表明,NHC算法的执行效率和聚类精度高于传统的HCM(hard C-means)算法.     

关联估计的递阶多变量DMC算法

针对实际多变量预测控制算法中存在的离线计算复杂、实时性较差等问题,设计基于关联估计的递阶多变量动态矩阵预测控制(DMC)算法．文中分析算法的有效性和稳定性．说明算法的程序实现方法．实际造纸机控制结果表明。该算法具有简单、易实现、实时性好的特点．能够达到具有较好的控制效果。     

基于切换层次网络的一致性算法研究

针对多智能体网络一致性问题,受自然界中鸽群的启发,提出一种新的有向网络拓扑即层次网络,且证明了所提出的层次网络的性能优于当前应用广泛的leader-following网络,研究了基于层次拓扑的一阶积分器网络对机动目标跟踪的一致性误差,证明一致性误差有界且与网络拉普拉斯矩阵第二小特征值及目标状态有关,并讨论了切换层次网络的一致性误差问题. 仿真结果验证了理论的有效性.      

网格化MRRF距离矩阵并行生物进化树算法

针对传统生物进化树执行效率不高的问题,提出一种网格化MapReduce-Robinson-Foulds(MRRF)距离矩阵并行生物进化树算法.首先,基于HashRF算法基本思想,设计实现了生物进化树MapReduce模型的网格化构建,以及网格参数计算;其次,利用两阶段MapReduce过程分别获得Robinson-Foulds距离子矩阵和联合后的距离总矩阵,实现了进化树在MapReduce架构下的Robinson-Foulds矩阵表示.最后,通过与Hash和HashRF算法进行对比,显示MRRF算法在运行时间和算法加速比上均要优于对比算法,并通过仿真对网格计算节点在不同核心数情况下对算法的影响进行了实验研究.     

基于矩阵算法的区位配置模型研究

介绍了区位配置模型的概念与类型,运用矩阵算法,探讨了在网络环境中如何确定服务设施的位置。     

基于矩阵的依赖推导算法研究

给出了基于矩依赖推导算法，并可推导出的关系上能够保持的函数依赖集。     

基于递阶优化算法的轧制过程控制策略优化研究

给出利用递阶优化算法解决轧制过程控制策略优化问题的思想. 针对总时间最短和总能耗最小两个优化目标,分别将其作为上下层目标函数建立起两层规划的数学模型,通过基于分解-协调的递阶优化算法对该两层规划进行求解,最终得到了中厚板精轧控制策略优化的最优解. 仿真结果说明,利用递阶优化算法求解轧制过程控制策略是非常有效的方法.     

基于距离和时序的层次粒度支持向量回归机

针对目前粒度支持向量回归机的粒划算法只考虑了距离因素,引入时序因素,提出适用于金融时间序列的基于距离和时序的层次粒度支持向量回归机(DTHGSVR).该方法首先将训练样本通过核函数映射到高维空间,并在该特征空间中进行初始粒划.然后,通过衡量样本粒与当前回归超平面的距离以及当前样本粒时序的综合因素,找到含有较多回归信息的粒,并通过计算其半径、密度及时序信息进行深层次的动态粒划.如此循环迭代,直到没有粒需要进行深层划分为止.最后,对不同层次的粒进行回归训练.采用提出的基于距离和时序因素的层次粒度支持向量回归机对基金净值进行预测,实验结果表明回归的泛化性有所提高.