建立频繁项目集向量的极大频繁项目集挖掘

在分析和研究诸多经典关联规则挖掘算法或最大频繁项目集挖掘算法的基础上,提出了一种新的极大频繁项目集挖掘算法BOFPV_MMFIA算法.该算法引入频繁项目集向量FP-V,将极大频繁项目集的挖掘过程转化为频繁项目集向量FP-V的与运算过程.算法只需扫描数据库一次,克服了Apriori及其相关算法产生大量候选集和需多次扫描数据库的缺点.又不同于BOM算法,挖掘频繁k_项目集时,需要进行 次k个向量的与运算.因此,BOFPV_MMFIA算法的效率明显高于Apriori、DMFIA及BOM算法.     

基于T-不变量的可重复向量的求解算法

研究了Petri网中T-不变量与可重复向量之间的关系,并基于此关系给出一个求解可重复向量的新方法。首先定义了变迁扩充网的概念,证明一个网的可重复向量与其变迁扩充网的T-不变量之间存在一一对应关系,从而将一个网可重复向量的求解转换为其变迁扩充网T-不变量的求解上。在此方法中,如果利用FM-算法去求解T-不变量,则某些求解的步骤可以省略,从而得到一个类似于FM-算法的算法来求解可重复向量。此算法能够求出一组可重复向量,而任一可重复向量都可被这组可重复向量非负有理系数线性表出。     

层次分析中的判断向量法

提出互反集和判断向量等概念，给出判断向量一致性的充分必要条件，在此基础上提出一种新的层次分析，此方法不需进行一致性检验，而且判断次数少，计算简单，具有一定的实用价值。     

基于自调节分类面SVM的平衡不平衡数据分类

标准支持向量机(SVM)对不平衡数据集进行分类时,会出现不平衡现象;传统不平衡数据集分类方法只能对不平衡数据集分类,且在分类过程中存在人工因素的参与.提出一种平衡不平衡数据集统一分类方法--自调节分类面支持向量机(self-adjusting classification-plane SVM,SCSVM),设计自适应的分类面调节方法,根据训练错分情况对分类面进行调整,控制正负类样本的错分率使其达到均衡,平衡或不平衡数据集都可采用相同的方法进行分类而不需预知数据集种类.实验表明该方法可对平衡或不平衡数据集进行有效的分类.     

谓词/变迁系统对一阶谓词公式的建模

研究了利用谓词/变迁系统对一阶谓词公式建模的方法。借助于软件工程中＂由粗到细,逐层分解＂的思想,定义了对各种逻辑联结词进行处理的基本模型。给出了一阶谓词公式的二叉树表示方法,进而利用二叉树的递归性质,提出了递归构造一阶谓词公式对应的谓词/变迁级的＂事实变迁＂表示的方法,克服了已有相关建模方法中存在的不足,为一阶谓词公式的自动化建模提出了新的思路。最后,探讨了一阶谓词公式的谓词/变迁系统模型在谓词逻辑推理领域的应用及其意义。     

集对论—一种新的不确定性理论方法与应用

本文反基于集对分析的不确定性理论乐其为集对论。简介了集对论的基本思想，方法，并举例说明其应用。     

权力分散多人递阶资源配置中下层决策者合作联盟的形成及利益分配研究

本文详细地研究了下层决策者之间部分或全部允许合作的权力分散多人递阶资源配置问题, 对文献[2]中结果共享合作方式的结论作了推广, 首次提出合作联盟利益分配的核心分配向量集的解概念, 并讨论了一些基本性质。通过对核心分配向量集的分析可以指导下层决策者中哪些部门组成合作联盟能够获得更大的利益。文中利用实例作了分析说明。     

多目标主从向量集值优化Benson真有效解的最优性条件

借助 Aubin的 Contingent切导数建立了可微多目标主从向量集值优化弱 Benson真有效元的Fritz-John型最优性条件.     

基于活跃集迭代法的支持向量机快速增量学习算法

介绍了一种新的支持向量机（SVM），其优化问题的对偶问题为具有简单界约束的凸二次规划问题：探讨了将活跃集迭代法运用于这种SVM的学习算法以及初始活跃集的选取问题；针对增量学习和大规模学习问题，提出了基于活跃集迭代法的SVM快速增量学习算法；实验验证了算法的有效性。     

模糊近似支持向量机模型及其在信用风险评估中的应用

支持向量机是近些年兴起的人工智能方法,并在信用风险分析领域得到了广泛应用.为了有效地减小在实证研究中样本的奇异点和噪声对模型的干扰, 在近似支持向量机的基础上, 引入模糊隶属度的思想,提出了模糊近似支持向量机, 使之不仅能保留近似支持向量机原有的优点,同时也可以减小奇异点和噪声对模型的干扰,从而进一步提高了分类判别能力. 为验证模糊近似支持向量机的效果, 利用两个公开的信用数据集进行实证研究. 实证研究结果表明:与其它模型相比,所提出的模糊近似支持向量机能够显著地提高信用风险分类精度,具有较高的实用价值.     

Designing a Hybrid Intelligent Mining System for Credit Risk Evaluation

In this study, a novel hybrid intelligent mining system integrating rough sets theory and support vector machines is developed to extract efficiently association rules from original information table for credit risk evaluation and analysis. In the proposed hybrid intelligent system, support vector machines are used as a tool to extract typical features and filter its noise, which are different from the previous studies where rough sets were only used as a preprocessor for support vector machines. Such an approach could reduce the information table and generate the final knowledge from the reduced information table by rough sets. Therefore, the proposed hybrid intelligent system overcomes the difficulty of extracting rules from a trained support vector machine classifier and possesses the robustness which is lacking for rough-set-based approaches. In addition, the effectiveness of the proposed hybrid intelligent system is illustrated with two real-world credit datasets.     

一种基于粗糙集理论的SVM短期负荷预测方法

在分析粗糙集理论方法与支持向量机方法的优势和互补性后,探讨了粗糙集与支持向量机的结合方法,提出了一种基于粗糙集数据预处理的支持向量机预测系统。该系统利用粗糙集理论在处理大数据量、消除冗余信息等方面的优势,减少支持向量机的训练数据,克服支持向量机方法因为数据量太大,处理速度慢等缺点。将该系统应用于短期负荷预测中,与BP神经网络法和标准的支持向量机方法相比,得到了较高的预测精度,从而说明了基于粗糙集理论方法作为信息预处理的支持向量机学习系统的优越性。     

基于SMC-RS-LSSVM的电子商务客户流失预测模型

为提高个体层次上客户流失预测的精度,建立了基于SMC-粗糙集-最小二乘支持向量机的电子商务客户流失预测模型.该模型首先利用SMC模型计算出客户活跃度,以0.5为阈值判断出客户流失状态,识别出正判客户和错判客户;其次应用粗糙集理论约简出重要的客户流失预测指标体系,然后将训练样本送入最小二乘支持向量机进行学习和训练,进而对测试样本的客户流失状态进行判别.利用某网上商场的2525名客户样本进行电子商务客户流失预测实证研究,结果表明:与SMC模型、BP神经网络模型、最小二乘支持向量机模型相比,该模型对测试样本预测精度更高,是一种更为有效和实用的客户流失预测方法.     

支持向量机的时间序列回归与预测

详细分析了支持向量机用于时间序列预测的理论基础。采用支持向量机、RBF和Elman神经网络模型,对仿真时序和工程滑坡变形时序进行了回归与外延预测。结果表明,在噪声水平较低时,SVR回归效果稍好,Elman与RBF网络的稳健性相对较差;随着噪声水平增大,两种神经网络的回归精度迅速下降。对于外延预测,两种神经网络仅限于短期的非线性模拟,而泛化性能更好的SVR在短期具有比较理想的效果,在较长的时间区间里也具有较高的预测精度(7步预测准确度控制在83.5%以上)。     

大型网络系统可靠度计算新方法

在大型网络系统可靠度的不交最小路集算法基础上,提出大型网络系统可靠度的不交最小路集算法的实现新方法。由于直接采用两节点之间弧表示逻辑运算,编程实现过程直观而简便,根据需要可以提供网络系统的全部最小路集、全部最小割集和系统可靠度,并且采用Fortran90语言和C＋＋语言编程,为大网络系统的可靠度和不可靠度分析提供了计算模块。     

基于双向投影法的概率语言多属性群决策

针对概率语言信息下的多属性群决策问题,首先基于概率语言术语集(probabilistic linguistic term sets, PLTS)的调整规则和语言尺度函数,定义了PLTS的新运算,并证明其满足代数运算的基本性质。然后,为解决现有向量模公式在下标对称语言下计算结果与实际不符的问题,提出一种改进的概率语言信息下的向量模公式。在此基础上定义方案与正、负理想解形成的向量表示式,并建立针对概率语言信息的双向投影法,由此提出新的贴近度公式。最后,通过应用算例的对比分析验证了本文所提方法的有效性和可行性。该方法充分考虑了PLTS的数据特征,在简化计算的同时避免了信息损失,为解决概率语言信息中数值差异较小的问题提供了新的方法和思路。     

基于双向投影法的概率语言多属性群决策

针对概率语言信息下的多属性群决策问题,首先基于概率语言术语集(probabilistic linguistic term sets, PLTS)的调整规则和语言尺度函数,定义了PLTS的新运算,并证明其满足代数运算的基本性质。然后,为解决现有向量模公式在下标对称语言下计算结果与实际不符的问题,提出一种改进的概率语言信息下的向量模公式。在此基础上定义方案与正、负理想解形成的向量表示式,并建立针对概率语言信息的双向投影法,由此提出新的贴近度公式。最后,通过应用算例的对比分析验证了本文所提方法的有效性和可行性。该方法充分考虑了PLTS的数据特征,在简化计算的同时避免了信息损失,为解决概率语言信息中数值差异较小的问题提供了新的方法和思路。     

支持向量回归机预测误差校正方法

针对传统的ε不敏感支持向量回归机(ε insensitive support vector regression, ε-SVR)未充分考虑局部支持向量对回归预测结果的影响,不利于提高回归预测精度的问题,提出了一种εSVR预测误差校正方法。该方法以期望预测值与εSVR回归预测值及局部支持向量间的欧氏距离和最小为目标函数,以ε不敏感损失带(εtube)宽度为约束条件,通过利用高维特征空间中εtube边界上和边界外的局部支持向量对εSVR的回归预测值进行误差校正。利用人工产生的不同分布数据集和UCI数据集进行的仿真结果表明,与传统的εSVR相比,该文方法具有更高的预测精度和更强的泛化能力。     

基于加权双质心支持向量聚类的机群编队分组

针对机群编队分组问题,提出了一种加权双质心支持向量聚类算法。所提算法在支持向量训练时引入最大熵原理,快速求解Lagrange乘子;针对样本特征对聚类结果的贡献不同,在聚类标识过程中,引入加权密度质心,提出了加权双质心聚类标识,并在典型数据集上验证了所提算法的有效性。通过对机群编队分组模型的描述,建立了机群聚类时一个目标点需要的特征集,完成了编队分组的仿真实验。仿真结果表明了所提算法能够针对应用的具体样本集实行快速聚类分析,并保证聚类结果的有效性。     

基于LS-SVM的特征提取及在凝点软测量中的应用

提出了一种基于最小二乘支持向量机(LS-SVM)回归算法的特征提取新方法,并将其成功应用于柴油凝点近红外(NIR)光谱软测量建模。在该方法中,将特征提取公式表达成与LS-SVM回归算法相同的形式,这样就能通过LS-SVM求取最优的特征投影向量。用一个含120个样本的401维柴油近红外光谱数据集进行测试,通过该方法提取后,原始光谱数据集的特征被降到了6维并保留了原有99.58%的信息。同时,用该数据建立的软测量模型具有更快的学习速度和更高的测量精度。实验结果验证了所提的特征提取新方法应用于近红外光谱特征提取的可行性和有效性。