一种基于条件信息熵的多目标代价敏感属性约简算法的研究

代价敏感学习是数据挖掘和机器学习领域的重要课题.已有的研究方法多数针对单目标进行优化,并不适用于多目标代价敏感问题的解决.因此通过分析基于粗糙集领域的单目标代价敏感属性约简问题,定义了多目标代价敏感属性约简问题,并设计了一种简单高效的算法.在4个UCI数据集上的实验结果表明,该算法能获得令人满意的帕累托最优解集,以辅助用户进行方案的选择.     

代价敏感属性约简的自适应分治算法

代价敏感属性约简问题作为经典属性约简问题的自然扩展,将代价引入数据,使得属性约简问题更加具有现实意义。文章基于分治思想,先按列将数据集拆分为若干个互不相交的子数据集,然后对各子数据集进行约简,并把约简后的子数据集多路合并。依次继续执行约简和合并操作,最终得到最小测试代价约简。每个子数据集的大小及子数据集的总个数自适应于各个数据集的规模而非固定不变。为验证算法的有效性,选择四个UCI标准数据集进行实验,并与其他算法进行结果对比。实验结果表明,该算法能在较短时间内获得可接受的结果,更适应实际问题的需要。     

一种新的多分类代价敏感算法

为了提高代价敏感分类算法MetaCost的准确率,降低错分代价,提出了多类别问题下的一种代价敏感分类算法(简称D-MetaCost算法).该算法利用MetaCost算法,通过多次取样生成多个模型,依据它们的分类准确率,选择其中准确率较高的前几个基分类器,将它们与最后阶段新生成的分类器聚集在一起得到最终分类模型.实验表明,D-MetaCost算法在准确率和代价方面比经典的MetaCost算法有明显的改进和提高.     

基于代价敏感不平衡数据流分类算法

在数据流分类学习过程中,类不平衡和概念漂移是两大挑战问题.在分析传统特征选择算法和代价敏感学习方法的基础上,将代价敏感学习算法的思想引入特征选择算法中,设计并实现了一种基于代价敏感的Relief F剪枝的数据流分类算法,不仅能删除冗余的特征,而且适应动态变化的数据流环境.与经典的算法进行分析比较,结果表明所提算法可显著提升分类效果.     

代价敏感多主题学习的邮件过滤算法

针对传统邮件分类模型中较少对邮件主题进行描述和分析的问题,提出一种代价敏感多主题学习的邮件分类算法,用以实现垃圾邮件过滤.首先,基于LDA(潜在狄利克雷分布)对邮件的多个主题进行提取,对邮件语义进行描述;其次,利用CS-SVM(代价敏感支持向量机)对邮件进行代价敏感学习,实现对不同类别邮件的惩罚;最后,结合MI-SVM(多示例支持向量机)进行代价敏感的多主题学习,实现邮件分类.实验采用四组ling-spam处理数据集.实验结果证明:该分类算法较比传统邮件分类算法,可以取得更高的准确性、特异性与敏感性.     

采用多类代价指数损失函数的代价敏感AdaBoost算法

为解决由多个二类代价敏感算法扩展而成的多类算法存在时间复杂度高和不能区分错分代价的问题,提出一种采用多类代价指数损失函数的多类代价敏感AdaBoost算法(MCCSADA)。为保证算法的代价敏感特性,首先设计一种满足代价敏感损失函数设计准则的多类代价敏感指数损失函数;然后将此损失函数作为评价分类器性能的标准,以最小化损失函数为目的使用逐步叠加模型推导算法的最优基分类器加权系数;最后使用多类代价损失函数和最优基分类器加权系数求解公式替换多类AdaBoost算法的损失数和加权系数求解公式,得到代价敏感的MCCSADA算法。使用UCI数据集对算法进行验证,实验结果表明:算法的稳定性得到了提升,退化现象被减弱;相比于由两类代价敏感算法通过一对一方法扩展而来的多类代价敏感算法,MCCSADA算法在大多数情况下能够取得更低的代价,而且具有较低的时间复杂度,在3类数据集上的时间复杂度降低约40%,并且随着类别数的增多效率提升更加明显。     

基于流形学习的代价敏感特征选择

为了得到一个低误分类代价的特征子集,本文通过定义样本间的代价距离并将代价距离引入了现有的特征选择架构,把流形学习和代价敏感特征选择问题相结合得到了一个新的代价敏感特征选择方法,称之为基于流形学习的代价敏感特征选择算法。以前提出的代价敏感特征选择算法在选择特征的过程中只考虑到了特征与误分类代价的关系,并对特征一个一个的进行选择,而本文所提出的代价敏感特征选择算法同时考虑了特征与误分类代价的关系和特征之间内在的判别信息,从而提高了代价敏感特征选择效果。在六个现实世界数据集上的实验证明了本文所提出的算法效果优于现有的相关算法。     

代价敏感Boosting算法研究

针对代价敏感学习问题,研究boosting算法的代价敏感扩展。提出一种基于代价敏感采样的代价敏感boosting学习方法,通过在原始boosting每轮迭代中引入代价敏感采样,最小化代价敏感损失期望。基于上述学习框架,推导出两种代价敏感boosting算法,同时,揭示并解释已有算法的不稳定本质。在加州大学欧文分校(University of California,Irvine,UCI)数据集和麻省理工学院生物和计算学习中心(Center for Biological&Computational Learning,CBCL)人脸数据集上的实验结果表明,对于代价敏感分类问题,代价敏感采样boosting算法优于原始boosting和已有代价敏感boosting算法。     

基于三支决策的广义代价敏感近似属性约简

在粗糙集领域,属性约简的首要任务是在保持原有数据相关特性的前提下,获取一个最小的属性子集。代价敏感学习的目标旨在最小化各类代价。而近似属性约简的意义在于让决策者能够权衡代价承受能力和知识发现的程度。本文在定性和定量的标准下提出了代价敏感近似属性约简的问题;定性标准指不可分辨能力,定量标准指近似参数ε和代价。基于三支决策和可分辨矩阵,提出了解决代价敏感近似属性约简问题的框架:首先,定义了属性子集的质量函数,该函数解释了多粒度结构;其次,通过考察属性重要度,提出了"性价比"指标的适应函数;进而利用提出的适应函数和三支决策中的(α,β)阈值对三分属性集合;最后,设计了删除策略和添加策略的代价敏感属性约简算法。从实验结果分析上验证了算法的有效性,体现了提出的问题和理论框架具有更广义的解释和适应性。     

一种最小测试代价约简的改进算法

传统属性约简的目标是在决策表中的所有条件属性中,选择一组分类代价最小的约简,算法构建了测试代价最小的约简.以往的测试代价约简算法查找成功率不够理想,性能不稳定,提出了一种改进的测试代价约简算法.通过运行2个UCI数据集实验,证明算法是有效的,并为提高测试代价约简算法性能提供了新途径.     

关于农业区划地图集中的统一协调问题

图集的统一协调,对图集质量有很大影响。本文是作者在编制北京市农业区划地图集的实践基础上,根据地图信息传输论的观点,对农业区划地图集的统一协调的内容及方法进行了探讨。试图总结编制这类图集的统一协调模式,以供读者编图时参考。     

民间法正义观的转型

研究了国家法的抽象正义观与民间法的情理正义观,认为西方国家法的抽象正义观与东方民间法的情理正义观存在实质的不同,原因在于思维方式、超验与经验传统、政治结构的差别。在现代法治理念下,传统民间法所代表的正义观将向混合正义观转型,西方法治所代表的国家法抽象正义观是其骨架。     

关于一维非自治时滞系统点态退化一例

给出了一维非自治时滞系统点态退化的一个例子,拓宽了该领域的研究。     

十二烷基苯硝化选择性的测定

利用对位异构体的对称性由核磁共振氢谱测定了工业十二烷基苯在硝硫混酸中的硝化选择性，发现一硝化产物中对位异构体的比例为７５％￣８０％。以月桂酸和苯为原料，经氯化、酰化和还原合成了正十二烷基苯。在同样条件下研究了正十二烷基苯的硝化，由核磁共振氢谱和气相色谱分析，发现一硝化产物中对位异构体的比例仅为６０％。根据空间位阻效应，对结果进行了讨论，并与甲苯，乙苯，异丙苯等短链烷基苯的硝化结果进行了比较。     

YBCO掺杂效应研究

介绍了YBCO掺杂的基础知识,总结了YBCO各个位置采用典型元素掺杂而导致的超导电性和结构的变化,阐述了掺杂对YBCO的重要影响,并简介了当前YBCO掺杂效应研究中的几个热点问题.     

A_5的一类12阶子群的构造

由于有限群的Lagrange定理的逆不成立,因此,n较大时要确定n次交代群An的所有子群或对An阶数的每一个正因数,确定是否存在这个阶数的子群是较困难的问题.文章通过对5-循环置换各次方幂的计算及其研究,构造出了A5的5个12阶子集,并证明了每一个子集都是A5的12阶子群,最后对A5的部分阶的子群做了总结.     

高频机组基础振动检测分析

为了找出诱发高频机组基础不良振动的原因，从基础计算模型方面对基础激励与响应进行了分析，以两个高频机组基础为动测实例，经模态分析得出钢筋混凝土构架式基础竖向1阶振动与电机产生共振；应用功率谱法对动力机组及基础平台进行动测，得出平台异常响应频率66Hz为水泵工作频率，调整机器的工作频率可避开不良振源影响，达到明显的减振效果。由此而知，动力机器基础出现不良振动时，不可盲目改变结构的动力特性，应在机器不同工况比如：停机、起机及正常转速下，对机器及基础进行动测并对振动信号进行比较分析，以制定出行之有效的减振方法。     

圈幂补图的树宽

基于“前沿分支”的观点研究了圈幂补图的树宽，首先确定了它的树宽下界，又给出了达到此下界的标号，从而得到了它的树宽表达式。     

鸡法氏囊病及其防治

报告鸡法氏囊病的流行状况，主要症状，剖检情况及诊断，提出了综合性防治措施。