基于维度约束的距离测度学习算法

为提高分类精度,通过距离测度学习可以得到样本在新的特征空间里新的表示.针对马氏距离未考虑不同类别样本维度间相关性存在差异这一缺陷,提出了一种新的有监督的距离测度学习算法,即独立-差别分量分析方法(Independent Discrimi-Native Component Analysis,I-DCA),并将其运用于基于k近邻分类器的运动神经与感觉神经分类中.作为对照,还详细分析了已有的相关分量分析方法(Relevant Component Analysis,RCA)和差别分量分析方法(Discrimi-Native Component Analysis,DCA)这两种距离测度学习算法.实验结果表明,改进算法的分类精度相较于马氏距离提高了近45%,相较于RCA与DCA也提高了15%左右,分类精度的提高说明了改进算法的有效性.     

基于数据挖掘的本体关系学习算法

如何确定概念间语义关系的存在性和如何确定概念间的关系类型是本体关系学习的两个基本问题.现有的本体关系学习算法常常区分出不同类型的语义关系,使用不同的策略来获取概念间的各类关系,影响了算法的效率.提出一种基于数据挖掘的本体关系学习算法,运用关联规则挖掘获取概念间的关系,利用聚类分析对概念关系类型进行区分.实验结果证明,算法较好地解决了本体关系学习中的两个基本问题.     

基于距离的粒计算分类算法

提出了一种基于距离的粒计算分类算法.首先,将粒表示为具有超菱形、超球和超正方体三种形式;第二,设计两粒之间的合并算子,实现不同粒度之间的转换;第三,选取粒度阈值,控制粒之间的合并过程,并构造基于距离的粒计算分类算法.使用UCI机器学习的基准数据集合验证该算法的性能,实验结果验证了基于距离的粒计算分类算法的可行性.     

基于TLP经验模型的本体学习算法

将TLP和本体回归算法相融合,提出基于TLP经验模型的本体相似度计算和本体映射算法。新算法继承了TCP的特点,使其具有无偏参数估计的特征。将新算法应用于GO本体和物理教育本体,通过实验结果表明新算法对特定的应用领域具有较高的效率。     

基于不平衡排序的本体学习算法

运用不平衡排序的思想,得到新的本体学习方法,并将新算法应用于数学本体和化学指数本体,从而分别验证算法对相似度计算和构建本体映射的效率.     

基于图学习的本体概念相似度计算

根据边的类型、顶点深度、边的密度和强度以及边关联的两顶点的属性计算有向边的权重,通过图学习正则化模型得到优化函数.将本体结构图中每个顶点映射成一个实数,通过比较实数间的差值判断两概念的相似程度.实验表明该方法对于计算本体概念间的相对相似度是有效的.     

成对排序本体学习算法

本体作为一种结构化数据模型已广泛应用于知识表示和信息处理,并成为近几年计算机领域的研究热点.提出基于成对排序学习方法的本体相似度计算和本体映射算法,利用Mahalanobis距离函数得到计算模型,通过梯度下降策略得到模型的最优解,从而将本体图或多本体图中的顶点对映射成实数来表示它们的相似程度.通过两个实验表明,新算法对特定的应用领域具有较高的效率.     

基于对偶理论的本体稀疏向量学习算法

作为一种语义计算和结构化信息存储模型,本体已被广泛应用于生物、物理、地理信息系统等多个领域.在本体学习算法中,本体图顶点所对应的概念信息用一个多维向量来表示.但在大部分应用背景下,顶点之间的相似度取决于少部分分量.基于对偶理论得到本体稀疏向量的计算方法,将该算法应用于数学本体和大学本体,通过P@N准备率来说明算法的效率.     

基于BMRM迭代排序方法的本体学习算法

本体作为一种结构化数据存储和表示模型已成为信息检索领域的研究热点,并被应用于生物医学、地理科学、社会科学等诸多领域。提出基于BMRM迭代排序学习方法的本体相似度计算和本体映射算法,利用BMRM迭代得到最优参数向量,由此得到排序函数,将本体图或多本体图中的顶点映射成实数,通过两顶点对应实数间的差值来确定它们对应概念间的相似度。最后,将算法分别作用于GO本体和计算机软件本体,通过实验数据对比说明新算法对特定的应用领域具有较高的效率。     

本体学习算法的RO稳定性

主要研究了本体学习算法在替换一个样本点(RO)情况下的稳定性.定义多个本体学习算法的稳定性相关概念并得到它们之间的相互关系.另外结果还显示RO稳定性是本体学习算法的充分必要条件.     

基于尺度、距离、旋转测度的角点匹配算法

针对基于模板灰度相似性测度的匹配方法抗旋转性差的缺陷,依据真实匹配角点与邻域内其他角点位置关系存在拓扑不变性,提出了一种基于尺度、距离、旋转测度的角点匹配方法.该方法首先利用相位相关法对角点进行初始匹配,而后对每对候选匹配角点进行基于尺度、距离、旋转测度的计算,利用计算后的测度函数值来判断初始匹配是否为正确匹配.实验验证了提出的角点匹配方法的匹配结果要明显好于直接基于模板灰度相似性测度的匹配方法.     

本体稀疏向量迭代计算算法

用机器学习方法得到本体函数时,需要将每个本体概念所对应的信息用一个p维向量来表示。在很多应用背景下,由于p值很大而导致计算量庞大。通过稀疏向量的学习来得到本体函数,利用块方法设计一种迭代计算算法进而得到稀疏向量。将该算法应用于生物基因GO本体和物理教育本体,并将实验结果与已有算法的结果作对比,验证了算法在生物基因领域的相似度计算和在物理教育学领域建立本体映射上有较高的效率。     

基于距离测度的模糊数排序

针对Tran和Duckstein给出的区间数之间及模糊数之间的距离公式的不足，给出其纠正性定义、进而，引入一种新的模糊数排序函数．最后，给出算例说明其有效性及优越性．     

基于距离测度的PCA人脸识别研究

应用主成分分析法对ORL人脸库及YALE人脸库进行特征提取,采用最近邻分类器及5种不同的距离测度进行人脸识别。结果表明:不同的距离测度及累计方差贡献率对PCA(Principal Component Analysis,主成分分析)人脸识别结果影响较大,在累计方差贡献率分别取0.75,0.8,0.9,0.95的条件下,对于ORL人脸库,曼哈顿距离和闵可夫斯基距离下PCA人脸识别正确识别率随累计方差贡献率增大而呈减小趋势;欧几里德距离和夹角余弦距离下PCA人脸识别正确率随累计方差贡献率增大而先增大后减小;切比雪夫距离下的PCA人脸识别正确率保持不变。累计方差贡献率取0.8,以欧几里德距离作为距离测度的PCA人脸识别算法对ORL人脸库取得最高的正确识别率为96.67%,对YALE人脸库,取得的正确识别率为95.56%,验证了算法的有效性。欧几里德距离是PCA人脸识别正确率最高的距离测度。     

基于k-部排序学习方法的本体映射算法

本体映射作为实现多本体间相互操作的重要手段,已广泛应用于诸多领域。利于k-部排序学习算法得到最优排序函数,从而将多本体结构图中每个顶点映射成一个实数,通过比较来自不同本体顶点对应实数间的差值判断概念间的相似程度。实验表明：该方法对于在不同本体间建立映射是有效的。     

基于三角函数的犹豫模糊新距离测度

距离测度主要用于度量不同数据之间的距离,结合三角函数的距离测度也被成功地应 用于犹豫模糊集上。本文提出了基于正弦、余弦和正切函数的犹豫模糊距离测度以及含偏好的距 离测度并验证了其优良性质;最后,提出了2种犹豫模糊多属性决策方法,并通过能源政策选择的 案例验证了所提方法的有效性和实用性。     

基于马氏距离的模糊c-均值增量学习算法

提出一种基于Mahalanobis距离的模糊c-均值算法(FCM-M),它将经典的模糊c-均值中的欧式距离用Mahalanobis距离替代,利用Mahalanobis距离的优点,有效解决了FCM算法中的缺陷,并提高了训练精度.将其用于增量式学习中,结果对孤立点不敏感,实验结果显示了该算法的有效性和优越性.     

基于距离测度的模糊粗糙集属性约简

属性约简是模糊粗糙集理论的重要研究内容.本文引进了基于距离的模糊相似关系,建立了距离测度下的模糊粗糙模型,从而得到条件属性和决策属性之间的依赖函数,通过此函数构造了前向搜索属性约简算法.并利用了UCI标准数据集与现有算法进行比较,从而验证了该算法的可行性和有效性.     

本体稀疏向量凸优化学习算法

随着大数据时代的到来,本体模型所要处理的数据量越来越庞大.在这一背景下,本体稀疏学习算法越来越受到重视.文中利用稀疏向量学习得到本体函数,用凸优化模型得到本体稀疏向量.使用平衡函数构建平衡项,给出凸集的选取方法,并通过迭代策略得到平衡函数的表达式.最后,两个仿真验证实验表明算法是有效的.     

基于惩罚似然优化模型的本体稀疏向量计算算法

通过稀疏向量的学习来得到本体函数,利用方向导数计算来得到惩罚似然优化模型的最优解,进而得到本体稀疏向量.将该算法应用于植物学领域PO本体和仿生机器人领域本体,同时将实验结果与已有算法的结果作对比,结果表明本算法对植物学领域的相似度计算和仿生机器人领域本体映射的建立有较高的效率.