基于自适应t分布变异的粒子群特征选择方法

在分析粒子群优化（particle swarm optimization, PSO）的基础上,提出了一种基于自适应t分布变异的简化粒子群特征选择方法。针对PSO容易陷入局部收敛的缺陷,通过对群体极值进行自适应t分布变异,使其跳出局部收敛。为了解决随机选择初始群体可能会延长搜索时间这一问题,将互信息引入到算法中。通过计算特征与类别的相关性来确定每个特征的入选概率,根据概率值生成一个近似最优粒子,使粒子群一开始就沿着比较合理的方向搜索,从而缩短进化时间。最后,以支持向量机（support vector machine, SVM）为分类器,通过仿真实验验证了算法的可行性和有效性。     

分类器集成差异性研究

差异性是集成学习中的重要概念,对差异性的研究在集成学习领域中占有基础性地位。从差异度量方法、差异度与分类器集成性能的关系以及差异度在集成优化中的应用三个方面对当前研究进展进行分析。深入分析了现有工作,对存在的问题给出一些解决思路,建议不能为了差异性以较大的基分类器精度损失为代价;不能为了引入差异性而偏离原来的分类问题。     

酸性离子液体［BMIM］HSO4的合成及其物化性能

 以N-甲基咪唑为原料合成了1-丁基-3-甲基咪唑硫酸氢盐(［BMIM］HSO₄)室温离子液体, 对产物进行了表征, 测定了相关物化性能, 如密度、表面张力、黏度、电导率等,并考察了该离子液体的溶剂性能。实验发现, 该离子液体电导率与常见离子液体电导率相当,并符合Arrhenius方程, 密度、表面张力、黏度均随温度升高而减小。该离子液体与多数常规溶剂互溶, 并对金属氧化物具有一定的溶解度, 为在离子液体中直接电解金属氧化物奠定了基础。     

基于Markov blanket和互信息的集成特征选择算法

针对大量无关和冗余特征的存在可能降低分类器性能的问题,提出一种基于近似Markov blanket和动态互信息的特征选择算法并将其应用于集成学习,进而得到一种集成特征选择算法。该集成特征选择算法运用Bagging方法结合提出的特征选择方法生成基分类器,并引入基分类器差异度进行选择性集成,最后用加权投票法融合所选基分类器的识别结果。通过仿真实验验证算法的有效性,以支持向量机(support vector machine, SVM)为分类器,在公共数据集UCI上进行试验,并与单SVM及经典的Bagging集成算法和特征Bagging集成算法进行对比。实验结果显示,该方法可获得较高的分类精度。     

带退化效应和不可用区间的并行批处理机问题

本文研究的是一类带有不可用区间和线性退化效应的单机无界并行批处理机排序问题。工件开始加工时间的线性递增函数看成其实际的加工时间。批工件中加工时间的最大者为这批的加工时间,同批工件同时开始加工,且批一旦开始加工就不可中断,同批中工件的完工时间都相同并为这批的完工时间。本文通过对最优解性质的分析,分别给出了求解极小化最大费用和极小化总费用的拟多项式时间算法。特别当k固定、目标函数为误工工件数时,该问题为多项式时间可解的,并用数值例子验证了算法的有效性。     

CWGAN-DNN：一种条件Wasserstein生成对抗网络入侵检测方法

针对现有的基于机器学习的入侵检测系统对类不平衡数据检测准确率低的问题,提出一种基于条件Wasserstein生成对抗网络(CWGAN)和深度神经网络(DNN)的入侵检测(CWGAN-DNN).CWGAN-DN N通过生成样本来改善数据集的类不平衡问题,提升对少数类和未知类的检测效率.首先,通过变分高斯混合模型(VGM)对原始数据中的连续特征进行处理,将连续特征的高斯混合分布进行分解;然后利用CWGAN学习预处理后数据的分布并生成新的少数类数据样本、平衡训练数据集;最后,利用平衡训练集对DNN进行训练,将训练得到的DNN用于入侵检测.在NSL-KDD数据集上进行的实验结果表明:利用CWGAN生成的数据进行训练,DNN的分类准确率和F1分数提升了5％,AUC下降了2％;与其他类均衡方法相比,CWGAN-DNN的准确率至少提升了3％、F1分数和AUC提升了1％.     

桐乡:“三链融合”走好县域创新发展之路

<正>以高水平推进国家创新型县（市）建设为引领，桐乡不断加快生态链、创新链、产业链深度融合，着力构建全面创新、全域创新、全员创新的发展新格局。近年来，桐乡市坚持把创新摆在县域经济社会发展全局的核心位置，深入实施创新驱动发展战略，聚焦“1+3+1+X”(“数字经济”+“新材料、新制造、新时尚”+“现代服务业”+“未来产业”)主导产业，持续承接世界互联网大会红利，努力打造乌镇品牌，不断优化创新生态，深入引导企业从个体创新向产业整体创新转变，高水平推进国家创新型县（市）建设，久久为功提升全域“创新浓度”，     

深度学习研究及军事应用综述

深度学习作为当前人工智能领域的研究热点之一,已经受到广泛关注.借助于强大的特征表示和学习能力,深度学习日益成为军事领域智能化发展的技术基础.首先结合深度学习的最新发展,指出深度学习的快速发展得益于理论的突破、计算机运算能力的显著提高和开源软件的广泛流行,着重梳理了目前主要的深度学习硬件平台和编程框架,并总结了各自的特点...