Semi-supervised Document Clustering Based on Latent Dirichlet Allocation (LDA)

To discover personalized document structure with the consideration of user preferences,user preferences were captured by limited amount of instance level constraints and given as interested and uninterested key terms.Develop a semi-supervised document clustering approach based on the latent Dirichlet allocation(LDA)model,namely,pLDA,guided by the user provided key terms.Propose a generalized Polya urn(GPU) model to integrate the user preferences to the document clustering process.A Gibbs sampler was investigated to infer the document collection structure.Experiments on real datasets were taken to explore the performance of pLDA.The results demonstrate that the pLDA approach is effective.     

基于网络评论语言学结构的情感倾向识别模型

展示了一种新的基于网络评论语言学结构的情感倾向识别模型,固定情感词元模型（fixed sentiment terms model）.该方法利用基于固定情感词元的3种特定搭配模式来构造识别算法,通过基于增量的tf-idf模型的相关用户反馈不断更新特征词元集合.通过与传统的情感识别方法相比较,此方法可以较为明显地提高情感分类的效率和准确率.     

基于分层时序模型的步态识别算法

以隐马尔可夫模型和动态纹理模型为代表的动态贝叶斯网是描述步态序列的重要方法,但都存在一些不足之处.提出了一种新的动态贝叶斯网——分层时序模型,该方法采用分段线性逼近非线性和用各段的动态纹理模型作为隐状态,将隐马尔可夫模型和动态纹理模型做了结合,充分发挥了其优势.该方法在CMU Mobo步态数据库和CASIA步态数据库B上做了评估,结果充分显示了分层时序模型的高性能.     

基于免疫算法的时间序列预测模型

在自然科学和社会科学中,大量的决策问题需要利用时间序列模型进行预测,针对时间序列参数估计的不精确,往往会对预测结果造成影响的问题,提出一种基于免疫算法优化时间序列模型参数的方案,该方案利用免疫算法精确计算的优势,先利用最大似然参数估计方法将时间序列模型的待定参数表示成其样本观测值联合概率的似然函数,然后使用免疫算法求得该函数的极值,从而可以得到时间序列模型的待定参数,最后为了验证该模型预测的精确性,使用上证指数和深证指数的金融时间序列的数据作为测试样本数据集,我们将预测结果与标准的AR-MA时间序列模型和其他预测模型进行比较,以分析它的性能.     

基于时间序列分解的海面变化预测

对吴淞站1955～2001年月平均潮位序列采用时间序列分解方法进行分析,采用奇异谱分析方法提取长期趋势,采用比率平均法和剩余法分别提取季节因素和循环变化,应用乘法模型拟合试验的效果良好.以1955～1996年数据为基础,建立长期趋势的自回归(AR)模型,对1997～2001年间进行了预测试验,并以该时段实测数据作为验证.试验结果表明月均序列预测值的最大相对误差不超过±10%,年均序列预测值的相对误差最大不超过±4%.这一系列方法的综合运用可适用于较长期的海面变化预测.     

基于LDA模型的人工智能伦理准则体系研究

利用隐含狄利克雷分布（Latent Dirichlet Allocation,LDA）模型对全球人工智能伦理准则体系进行内容分析，通过对准则关键词的阶段差异对比、核心主题的聚合体系分析，总结出世界范围内人工智能治理共识的6大演变趋势，均表明实践导向已成为核心共识。但人工智能伦理准则存在“可操作性受限、考量要素不同质、伦理洗白、法律转化难”等实践适用性困境，亟须在技术、组织及制度层面弥补实践缺口。     

基于时间序列关联规则的网格任务切分模型

为了解决网格任务调度中任务切分问题,提出了一种基于时间序列的关联规则模型,以在符合Qos标准的情况下,实现网格任务的全局性合理调度,从而达到实现最小化任务执行时间的目的.模型先按"最小基本粒度"对任务进行逻辑划分,然后通过分析各"逻辑单元"所涉及的基本功能和相互间的耦合度来对"逻辑单元"实施分组,最终以"逻辑元组"为物理切分单位对任务予以切分.模型通过优化任务切分,最终实现全局性任务调度合理性与资源分配有效性的目的.还可通过基于时间序列的关联规则模型的长期学习,不断提高资源分配命中率.并通过仿真实验验证了该模型的实用性和优越性.     

基于时间序列模型的结构损伤识别方法

针对现有结构损伤识别方法中因模型参数物理意义不明确而导致的损伤信息遗漏等问题,提出一种基于时间序列模型的损伤识别方法.首先,推导了具有外部输入的自回归模型(ARX)的一般表达式,并通过联立多自由度体系运动方程建立了考虑结构动力特性的ARX模型.随后,运用该模型预测得到未损伤情况下的节点加速度时程序列,根据其与实测数据的差异程度构造表征结构损伤的参数,即损伤因子.最后,根据损伤因子数值大小与分布情况评估结构损伤状态.数值算例结果表明,该方法在较少的测量数据样本下,能够较好地识别单位置与多位置损伤,并可较为准确地判断损伤程度,同时识别结果受激振位置与测量噪声的影响较小.     

基于神经网络的时序预测模型研究

将神经网络作为传统的时序线性模型的非线性推广进行了分析,论证了多层前向神经网络与非线性自回归模型及反馈神经网络与非线性自回归移动平均模型的等价意义,提出了一种可作为非线性时序模型的内反馈神经网络．     

基于条件随机场模型的在线评论情感极性强度分析

为了辨别在线评论的情感倾向,了解大众舆情对某一事件或产品的看法,采用层叠CRFs模型,把在线评论语句进行主客观分类、极性分类以及评论语句的褒贬强度分类,充分利用极性分类和褒贬强度分类之间的层次关系来改善情感分类的冗余关系,以期借助改进的条件随机场模型实现文本情感倾向及强度的分析,实现篇章级文本集的情感分析.     

PG-CODE:Latent Dirichlet Allocation Embedded Policy Knowledge Graph for Government Department Coordination

Government policy-group integration and policy-chain inference are significant to the execution of strategies in current Chinese society. Specifically, the coordination of hierarchical policies implemented among government departments is one of the key challenges to rural revitalization. In recent years, various well-established quantitative methods have been proposed to evaluate policy coordination, but the majority of these relied on manual analysis,which can lead to subjective results. Thus, ...     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.     

基于时变权重的区间时间序列组合预测模型构造

时变权重组合预测模型可以有效反映各预测方法在各时刻点上的预测值对组合预测结果的影响,并可以提高预测精度,基于此,针对区间数时间序列构造组合预测模型的问题,提出一类构造区间数时变权重方法;该方法主要是在3种实数的时变权重求解方法基础上构造相应的3种区间数时变权重,并利用所得出的时变权重构造区间时间序列组合预测模型;为验证...     

产品需求量非平稳时序的ANN-ARMA预测模型

针对基于非平稳时序的产品需求量预测方法存在的问题,研究了人工神经网络(ANN)与自回归滑动平均(ARMA)模型的集成建模与预测方法. 产品需求量的非平稳时序可分解为确定项和随机项两个部分,用人工神经网络模型拟合确定项,以表示非平稳的变化趋势;用自回归滑动平均模型拟合随机项,以表示平稳的随机成分. 将两个模型的预测值之和作为产品需求量的优化预测值. 仿真结果表明,集成模型的预测精度高于单一的人工神经网络模型.     

ARCH模型在金融时间序列中的拟合应用

讨论了自回归条件异方差(Autoregressive Conditional Heteroskedastic,简称ARCH)模型在金融时间序列分析中的拟合应用,以一金融时间序列为例,通过SAS/ETS中的自回归(Autoreh)过程实现对该金融时间序列的自回归-广义自回归条件异方差(Autoregressive-generalzed ARCH,简称AR-GARCH)模型的拟合和分析,最终得到理想结果.     

基于时间序列手势轮廓模型的动态手势识别

针对动态手势在时间尺度上的多变性和复杂性,提出了一种动态手势识别框架.该框架利用时间序列上提取的手势轮廓构造动态手势轮廓图像,获得不同动态手势在不同时间尺度下其轮廓图像的均值图像和方差图像,并将这些图像用于构成动态手势轮廓模型库,在此模型库基础上,利用相关信息方法和改进的动态时间规整方法完成动态手势的识别.实验结果表明,文中提出的动态手势轮廓模型对不同时间尺度的动态手势具有较强的鲁棒性,改进的动态时间规整方法较传统方法具有更高的识别率.     

基于缩减策略的混沌时间序列LSSVM预测模型

 由于混沌时间序列具有样本大等特点,使用最小二乘支持向量机(LSSVM)建立其预测模型具有内存开销大、训练速度慢等缺点,因此,在混沌序列数据特性的基础上,利用样本集分割与样本相关性的思想,提出一种基于缩减策略的混沌时间序列LSSVM预测模型。该模型利用混沌时间序列的平均周期将大样本数据分解成不同的子集,把最后一个子集之外的其他子集利用拉格朗日乘子的值缩减一部分非支持向量,将缩减后样本与最后一个子集合并,利用相关系数缩减法缩减合并后的样本集,并利用最小二乘支持向量机进行回归预测。最后通过相关实验,验证了本模型在基本不损失预测精度的基础上具有较快的计算速度。     

基于时间序列法的短期风速建模

短期风速预测是风电场监控系统中的重要一环。因风速序列本身已经具有时序性和自相关性,基于时间序列分析法建立了风电场风速短期预测模型,并结合实例阐述了时间序列法在这一领域的适用性,分析结果表明,所建模型具有一定的实用价值。     

基于独立模型的非线性时间序列多步超前预测

提出一种非线性时间序列的多步超前独立预测方法. 对比逐步递归方法和独立预测方法, 分析了积累误差对多步超前预测性能的影响. 采用递归神经网络(RNN)实现了独立预测方法, 建立了城市轨道交通能耗预测模型. 通过MATLAB训练和测试该模型, 比较了两种方法下的多步超前预测输出. 结果表明,独立预测方法的误差优于逐步递归方法. 最后指出了独立预测方法的优缺点及适用范围.     

基于分形的时间序列模式挖掘方法及其应用

研究了某些时间序列所具有的分形特征,分析了利用分形理论中的R/S分析发现具有分形特征的时间序列模式的方法.用R/S方法可以从具有分形特征的时间序列中寻找变化规律,从而预测时间序列未来的发展趋势.通过实例说明分形中的R/S分析是一种有效的时间序列模式挖掘方法.