一种基于messyGA的分类规则提取算法

目前的遗传算法还普遍受限于模式定理，基于积木块假设的算法使得低阶短定义距的特征保留，影响到了算法的全局搜索能力。一种基于messyGA的分类算法，克服了只有低阶短定义距模式构成最优解的缺点，实验结果表明，该规则提取算法优于传统分类算法。     

分支前馈神经网络的研究

在BP算法的基础上，提出了一种用于模式分类的人工神经网络模型-分支前馈神经网络，并给出了相应的算法，对模式分类的几个典型例子进行了计算机仿真研究，仿真结果表明，与一般BP网络相比较，分支前馈神经网络显著地减少了训练时间，且分类效果更好。     

用于不平衡模式分类的BP算法的改进

ＢＰ网络用于模式分类时，若要求分类的模式集不平衡，则其学习的收敛速度极其缓慢，本提出了一种改进其收敛速度的算法。     

基于自组织神经网络的模式分类研究

分析了常用的ＶＱ（ＶｅｃｔｏｒＱｕａｎｔｉｚｅｒ──矢量量化）分类算法所存在的缺点，提出用自组织神经网络模型取代ＶＱ算法，对这种模式分类的过程进行了描述，并阐明它的优点．     

一种基于主成分分析的稀疏数据模式分类隐私保护算法

 模式分类过程涉及到对原始训练样本的学习,容易导致用户隐私的泄露。为了避免模式分类过程中的隐私泄露,同时又不影响模式分类算法的性能,提出一种基于主成分分析（PCA）的模式分类隐私保护算法。该算法利用PCA 提取原始训练数据的主成分,并将原始训练样本集合转化为主成分的新样本集合,然后利用新样本集合进行分类学习。选用Adult 数据集和KDDCUP 99 数据集进行仿真实验,并采用正确率和召回率进行性能评价,结果表明,该隐私保护算法通过PCA 提取原始数据特征属性的主成分,可避免原始属性的泄露,同时PCA 在一定程度上可实现去噪,从而使分类器的分类性能优于原始数据集的分类性能。与已有算法比较,该隐私保护算法具有更好的模式分类精度和隐私保护性能。     

基于改进算法的ART2网络用于微晶玻璃颜色分类

微晶玻璃颜色分类是最终控制产品质量的重要步骤，作者改进了传统ART2网络的学习算法，借用典型向量的概念，以模式的近似均值作为典型向量来飞速学习新模式，改进学习算法极大地改善了ART2网络的模式漂移现象，而且短搜索振荡过程，文中分析了微晶玻璃颜色分量的统计信息，经过适当变换高维颜色特征映射到16维特征空间中的一个超平面上，以超平面上的特征点作为改进算法ART2网络的输入进入网络分类器进行学习分类，实验证明改进算法网络用于微晶玻璃颜色分类时，运行正确，可靠，具有很高的正确识别率。     

基于粒子群优化算法的模式分类规则获取

提出了基于粒子群优化的规则提取算法．该算法将规则编码为粒子,通过粒子群优化算法的速度-位移搜索模型以及粒子保存的记忆信息指导生成模式分类规则集．算法用于Iris数据集模式分类规则的提取．与其他规则提取方法比较,该算法在提高分类规则正确率的同时减少了计算费用．     

基于组合分类器的一个新的数据整合方法

物体的性质可以用各向异性的数据模式表达,每一个分类器可以针对一种数据模式对物体进行分类,由此提出了一个对各向异性的数据模式进行整合的概率分类算法。将该算法应用于一个模拟数据,实验结果表明了该算法是可行性的。     

基于猫群算法的图像分类研究

针对传统进化算法在图像分类中存在的收敛速度慢,易陷入局部最优等问题,本文提出用猫群算法求解图像分类问题,将求解组合优化问题转化为猫群的位置寻优过程,并分析了猫群算法及其两种行为模式下的算法模型.讨论了不同模式下猫群的速度、位置更新公式,并阐述了利用该算法求解图像分类问题的具体步骤.通过实验,验证了猫群算法在图像分类中的准确性和有效性.     

基于遗传算法的骨肿瘤分类方法研究

为了更好地利用骨肿瘤分形参数集对骨肿瘤进行模式判别，将基于连续变量的遗传算法和相应的交叉与变异算子应用于骨肿瘤的模式分类中。针对该算法在实验中出现的振荡及不收敛问题，相应采用了自适应技术加以改进。通过对比改进前后遗传算法的精度和速度，证明了改进后的自适应遗传算法稳健性能好，运算速度快。利用该算法，可根据分形参数模式集对骨肿瘤进行有效的分类，达到了预期的目标。     

多输出支持向量回归算法

支持向量机是一种基于统计学习理论的新颖的机器学习方法,由于其出色的学习性能。该技术已成为当前国际机器学习界的研究热点．这种方法已广泛用于解决分类和回归问题．在回归中。目前的研究和应用都限于单输出的情况,而实际中有很多属于多输出回归问题．针对这一点,将支持向量回归算法推广到多输出情况．仿真实例说明了该算法的可行性．     

基于组合神经网络的软件可靠性预测研究

为了进一步提高神经网络的预测能力,提出了一种前馈神经网络混合学习算法,并将其应用于组合神经网络.该算法由一种模式提取算法(Alopex)和伪逆算法组成.在该混合学习算法中,网络的学习任务被分解为2个部分:隐藏层的权值先随机给定,然后使用Alopex算法不断地对其进行扰动;输出层的权值使用伪逆算法确定.所使用的组合神经网络由多个结构相同的前馈神经网络组成,每个前馈神经网络都使用混合学习算法(采用不同的初值)进行训练.实验结果表明,这种组合神经网络能够显著提高软件可靠性的预测精度.     

一种基于遗传算法的模糊聚类

对模糊c均值聚类算法（FCM算法）进行了讨论，说明FCM算法一般得不到全局最优分类，因此结合FCM算法提出了用遗传算法进行寻优求解，从而将遗传算法用于模糊聚类分析，最后的实例表明，遗传算法在处理多样本、多属性、多类别问题时，是一种有效的方法。     

基于径向基函数概率神经网络的心律失常自动识别

讨论了基于径向基函数（ＲＢＦ）的概率神经网络的基本网络结构和网络的学习和运行过程,并且与ＢＰ算法的径向基神经网络进行了对比,同时也测试了网络的容错能力,结果表明,基于ＲＢＦ的概率神经网络,学习速度大大提高,同时减小了ＢＰ陷入局部极小的问题,有一定的抗噪声能力,基于ＲＢＦ的概率神经网络模型在心律失常自动识别中获得了很好的应用。     

一种本体学习模型的设计与实现

提出一种本体学习模型,分析了模型实现中的关键步骤.采用机器学习技术半自动地构建本体,用Bisecting K-means算法和标准的K-means算法对模型进行了测试.实验结果表明,Bisecting K-means算法产生的本体概念的层次更加精炼,时间复杂度较小,特别适合用于处理大型数据集.     

An adaptive spatial clustering method for automatic brain MR image segmentation

In this paper, an adaptive spatial clustering method is presented for automatic brain MR image segmentation, which is based on a competitive learning algorithm – self-organizing map (SOM). We use a pattern recognition approach in terms of feature generation and classifier design. Firstly, a multi-dimensional feature vector is constructed using local spatial information. Then, an adaptive spatial growing hierarchical SOM (ASGHSOM) is proposed as the classifier, which is an extension of SOM, fusing multi-scale segmentation with the competitive learning clustering algorithm to overcome the problem of overlapping grey-scale intensities on boundary regions. Furthermore, an adaptive spatial distance is integrated with ASGHSOM, in which local spatial information is considered in the clustering process to reduce the noise effect and the classification ambiguity. Our proposed method is validated by extensive experiments using both simulated and real MR data with varying noise level, and is compared with the state-of-the-art algorithms.     

一种用于多类模式识别的综合感知器网络和学习算法

提出一种由感知器神经元组合成的综合网络模型及相应的学习算法,网络由3层感知器神经元组成,中间屋到输出层的权值相应地为＋1或－1,输入层到中间层的权值通过学习获得,且中间层每个神经元的权值单独学习完成,该学习算法在有限次迭代步骤内终止。当算法终止时,对于可线性发的多类模式识别问题总是能找到正确的解,如果还有模式不能识别,则说明这是一个不可线性划分的多类模式识别问题,用阿拉伯数字识别的例子说明了网络模型和算法的有效性。     

基于频繁模式树的关联分类规则挖掘算法

构建精确而有效的分类器是数据挖掘和机器学习中的一个重要任务．提出了一种基于频繁模式树的关联分类规则挖掘算法,该算法同时考虑所有属性,并对现有关联分类规则挖掘算法中内存要求高、类别属性处理难、I／O访问次数多等问题提出了相应的解决方案．试验结果表明,该方法可以取得比同样基于关联规则的分类算法CMAR更高的执行效率以及基于规则的决策树分类算法C4．5更好的分类效果．     

一种用于模式分类有监督的模糊ART神经网络

探讨了一种将有监督学习机制融合到模糊ＡＲＴ网络构成一个有监督的模糊ＡＲＴ神经网络模型,这种网络能同时处理有监督和无监督学习问题,并具有积累和增加网络学习的能力,对该网络进行了滚动轴承检测数据模式分类实验,并与ＢＰ网络进行了比较性实验,结果表明：该网络具有良好模式分类能力和较好的可塑性。     

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