样本受零均值噪声影响下的学习理论的若干理论研究

学习理论的关键定理和学习过程收敛速度的界为支持向量机等应用性研究提供了理论基础，因此在统计学习理论中起着非常重要的作用.目前对这两部分内容的研究，人们总是假定所处理的样本不受噪声的影响，从而不会引起误差，但由于人为、环境等因素的影响，事实往往并非如此.基于此种考虑，文中给出并证明了样本受零均值噪声影响下的学习理论的关键定理并讨论了学习过程一致收敛速度的界.     

基于模糊样本的统计学习理论的关键定理

结合模糊集理论和模糊统计学的知识,对作为统计学习理论基础的学习过程的一致性和关键定理进行推广,提出了模糊风险泛函、模糊经验风险泛函、基于模糊样本的ERM原则和非平凡一致性的概念,并给出了模糊意义下的学习理论的关键定理及其证明。     

受噪声影响的复拟随机样本的STL关键定理

引入了拟概率空间上复拟随机样本受噪声影响的复经验风险泛函、复期望风险泛函、复经验风险最小化原则以及严格一致性的定义,提出并证明了拟概率空间上复拟随机样本受噪声影响的学习理论关键定理,为系统建立拟概率空间上基于噪声影响的复拟随机样本的统计学习理论奠定了基础.     

基于模糊数的模糊学习理论的关键定理

考虑到现实世界的模糊性,结合模糊集理论和模糊统计学的知识,首先给出了关于模糊数函数以及模糊随机变量函数的若干定理;提出了模糊学习问题的一般表示;最后给出并证明了基于模糊数的模糊学习理论的关键定理.     

基于模糊支持向量机的夏季雨型的预报方法研究

本文提出了基于一对一模糊支持向量机多分类方法的非线性夏季雨型预报模型.该模型在一对一支持向量机多分类算法的基础上引入模糊隶属度函数,其构造的分类超平面可以忽略噪声样本对分类结果的影响.实验结果表明,该模型较传统的支持向量机多分类方法和线性物理统计方法,具有更好的预报能力和更强的抗干扰能力,可以较好地弥补基于统计理论的相关分析和回归方法在处理非线性问题时具有较大的局限性     

基于随机模糊样本的统计学习理论基础

首先介绍了随机模糊理论的基本内容，进而证明了基于随机模糊样本的统计学习理论的关键定理，且讨论了学习过程一致收敛速度的界，为系统建立不确定样本的统计学习理论并构建相应的支持向量机奠定了理论基础．     

基于局部密度比的模糊隶属度设置算法

基于知识发现中的局部异常因子思想, 提出一种基于局部密度比的模糊隶属度设置算法, 该算法根据样本的邻域密度比设置样本的隶属度, 并采用一种单参数选择策略. 数值实验表明, 所提出的算法在带噪声的非线性函数估计方面具有很好的鲁棒性, 有效地解决了模糊支持向量机中的模糊隶属度设置问题, 对处理带噪声的分类和非线性函数估计问题具有重要的意义.     

受噪声影响的复hybrid样本的学习理论关键定理

结合机会测度理论和统计学习理论,提出了机会空间上受噪声影响的复hybrid样本的复期望风险泛函、复经验风险泛函以及复经验风险最小化原则的定义,给出并证明了机会空间上受噪声影响的复hybrid样本的学习理论的关键定理.     

基于高斯分布的非平衡FSVM

针对传统模糊支持向量机算法采用样本到类中心的距离关系来构建模糊隶属度函数存在不足,以及易受数据集不平衡的影响,提出了一种基于高斯分布的FSVM,该方法既考虑了2类样本数量的不平衡问题,同时进一步考虑了样本不同方向上的分布特性.将样本的分布特性应用于模糊隶属度函数的设计,有效地提高了对正常样本和噪声、野值样本的区分能力.实验结果表明,在处理不平衡和有噪声干扰的数据集时,该方法较传统的FSVM具有更强的鲁棒性.     

抽样分布定理的推广

将基于简单随机样本的抽样分布定理,推广到异方差样本和常相关样本的情形,为研究非简单随机样本的统计推断理论与应用作基础。     

一类广义不确定利率下的寿险净保费模型

利率的不确定性主要体现在它的模糊随机性和精确度量的困难性方面．投资性保险的精算中应适当考虑投资的不确定收益率．文章在广义利率意义下对贴现函数进行模糊估计,将其描述为三角模糊数,利用模糊随机变量建立两全保险和生存年金模型,并通过精算现值理论得出新的净保费模型,最后给出统计模拟算例．     

可能性空间中学习过程一致收敛速度的界

在概率空间上统计学习理论是机器学习的重要组成部分.在概率空间上统计学习理论中一致收敛速度的界有重要的意义,利用经验风险最小化原则,这些界决定了学习机器的推广能力.本文在可能性空间中讨论了学习过程一致收敛速度的界,给出了一致收敛速度的界的估计并讨论了这些界和函数集容量之间的关系.     

机械系统模糊—随机可靠性分析的基本理论

本文从组成系统的单元出发,在同时考虑随机性和模糊性的基础上,提出了单元和系统的模糊—随机响应、模糊—随机安全准则、模糊有效域和模糊—随机可靠度等基本概念,进而利用模糊数学的原理和方法,建立了系统的模糊—随机可靠度计算的基本理论.     

模糊关系数据库系统中的函数依赖与多值依赖

用模糊关系数据模型来描述不分明的模糊数据是关系数据库理论发展中的一个重要的新课题。本文用模糊等价关系及其隶属函数来描述模糊函数依赖与多值依赖,看出经典数据依赖是模糊数据依赖的特例。并且证明相应于Armstrong公理的一套模糊数据依赖的推理规则是正确、完备的。     

模糊随机多目标规划性质的研究

在模糊随机环境下,针对于多目标规划问题的性质,给出了一系列的重要结论。首先,基于模糊随机理论,提出了模糊随机多目标规划问题的期望值模型,实现了对实际问题的不确定性到确定性的转化, 并为解决实际问题提供了理论模型。规划问题的凸性在优化理论中占有非常重要的地位,因此,对于所提出模型的凸性,利用模糊随机变量的期望值的特殊性质,给出了严格的证明。 定义了模糊随机多目标规划的期望值绝对最优解、期望值有效解及期望值弱有效解的概念,并研究了它们的性质。根据生活中的实际问题所建立的模糊随机规划模型的求解,所得结果为其算法的研究及最优决策的执行提供了重要的理论依据。     

最小二乘模糊支撑向量机研究

支撑向量机是以统计学习理论为基础,以结构风险最小化（Structure Risk Minimization,SRM）为原则的新型学习机,已经广泛地用于模式识别、回归估计、函数逼近、密度估计等方面。在对已有的分类问题的SVM算法的研究分析基础上,结合Lin和Wang提出的模糊支撑向量机模型和现有的最小二乘支撑向量机模型得出最小二乘模糊支撑向量机模型。     

模糊形态运算及其性质与应用

本文试图从模糊集合理论的观点出发,综合以往关于形态分析的研究成果,把数学形态学与顺序统计学有机结合起来,建立所谓模糊形态学。首先阐述模糊集合 p 分位形态运算的基本概念,然后证明这种形态运算的一系列代数、几何与统计特性,最后简述它对图象分析与模式识别的应用,即 p 分位形态分析。     

噪声大数据的MapReduce高度随机模糊森林算法

为解决日趋增长的噪声大数据分类问题,提出了一种高度随机模糊森林算法.该算法在决策树学习中生成连续属性的模糊分区,并给出在MapReduce框架中所提算法的分布式实现,用于受属性噪声污染的大数据集中学习模糊决策树的集合,该分布式实现模型可以适应计算的有效分配策略,从而产生良好的可扩展性数据,这种分布式算法使得模糊随机森林能够处理大数据集的学习和分类.高度随机模糊森林算法能够实现噪声大数据的高精度分类,为以后的大数据分析打下良好的基础.实验结果表明,所提算法比现有算法准确率更高,在属性噪声情况下,该文分类准确率也高于随机森林算法,说明该文算法的可行性和有效性.