一类具有恰当断面的左恰当半群

引入了左恰当半群的恰当断面概念；利用一个恰当半群S^0．左零半群的半格I，定义了一个积集1#S^0．证明了I#S^0是一个含恰当断面的左恰当半群且恰当断面同构于S^0．     

结合流形结构与柔性嵌入的多标签特征选择

将线性回归模型与流形结构相结合,构成了弱线性多标签特征选择的联合框架。首先,用最小二乘损失函数来学习回归系数矩阵;其次,通过标签流形结构来学习数据特征的权重矩阵;再次,用L2,1-范数来约束回归系数矩阵和特征权重矩阵,这样既能引导稀疏性,又有利于特征选择。此外,设计并证明了具有收敛性的迭代更新算法来解决上述提出的问题。最后,所提出的方法在多个经典多标签数据集上进行了验证,实验结果表明了所提算法的有效性。     

基于自适应遗传算法的神经网络字符识别

为了增强传统自适应遗传算法在进化初期的鲁棒性及避免早熟收敛,给出了一种改进算法,并利用这一算法来调整BP模型的网络权值与阈值,最后将新算法应用于字符的识别.仿真结果表明,新算法比BP算法具有更强的识别能力.     

实值信息系统上基于熵的属性约简

研究实值系统中的知识获取是粒计算研究的主要方向之一.为给出一种高效的知识获取方法,文中基于邻域粗糙集的原理,针对实值特点,在实值信息系统上给出熵和基于熵的属性重要度的定义和约简定理.同时研究其性质,并给出了实值信息系统上基于熵的属性重要度的约简算法,对算法的性质进行了分析,通过实例验证了该算法的有效性.     

基于自步学习的自适应半监督聚类算法

在半监督聚类算法中,通常利用有标签样本的指导来提高数据的聚类效果,但不同样本对聚类结果的重要性并未充分考虑。为了解决这一问题,该文提出了一种基于自步学习的自适应半监督聚类算法(ASSCSPL)。首先,在模型中引入自适应损失函数,可以通过调节自适应损失参数提高模型的鲁棒性;其次,在模型中引入自步学习机制,用来刻画不同样本对聚类结果的不同重要程度;最后,在标签传播阶段,所得算法能够很好地利用已有的监督信息,为无标签数据赋予相应的标签权重。数据实验表明,与现有优秀算法比较,所提算法可以达到更好的聚类效果。此外,实验结果也表明,所提算法能够有效地降低噪声对模型聚类性能的影响。     

基于L2,1范数和流形正则项的半监督谱聚类算法

谱聚类算法受到相似矩阵的影响以及没有使用先验信息,使得聚类结果有很大的局限性.针对这一问题,提出了一种基于L2,1范数和流形正则项的半监督谱聚类算法.一方面借助L2,1范数的鲁棒性学习到合理的相似矩阵;另一方面充分利用监督信息,不仅指导了初始相似矩阵的构造,而且引入流形正则项去调整模型,从而改善聚类效果.实验结果表明,...     

基于多粒度的多源数据知识获取

多粒度认知能力是人类分析复杂数据的一种常用策略。作为复杂数据类型之一的多源数据,因其数据源头多而使得数据分析变得复杂。受多粒度思想的启发,以多源信息系统为数据基础,基于悲观的决策策略,提出了多源划分约简集的定义。讨论了多源划分约简集与划分约简集之间的关系,并给出了相应的属性特征的判别方法。最后,针对多源决策信息系统,基于乐观的决策策略,提出了多源决策规则。借鉴多粒度模型,从一个新角度所提出的多源数据分析方式进一步丰富了知识获取的方法。     

可解多项式代数与它在阶滤子下两种分次代数的关系

针对可解多项式代数A,证明了它在阶滤子下两种分次代数grC(A)与 A均为可解多项式代数.应用Groeb ner基理论,给出了其左理想L和grC(L)与 L的Groebner基的转换.     

基于模糊互信息的多标签特征选择

多标签特征选择已成为处理多标签数据的重要方法之一.利用一种基于模糊互信息的多标签特征选择算法,通过模糊离散化,给出模糊联合熵和模糊条件熵吸模糊互信息的计算方式.将原先的互信息特征选择算法推广到模糊情形中,提出一种基于模糊互信息的多标签特征选择算法.最后在同一准则下,将模糊互信息与原先的互信息特征选择算法及其他几种经典的特征选择算法进行比较.实验表明,此方法在一定程度上效果优于其他特征选择算法,是一种有效的多标签分类问题的特征选择方法.     

包含标签信息的最小二乘多标签特征选择算法

为了更好地体现标签信息的重要性,基于传统的最小二乘回归模型,构造了一种包含标签信息的最小二乘回归模型,用于解决多标签特征选择问题。首先给标签逐一增加一个松弛变量ω,使得不同类别的回归目标沿相反方向移动,从而扩大类别之间的距离。然后结合?_(2,1)范数,提出了一种包含标签信息的最小二乘多标签特征选择(Least squares multi-label feature selection with label information,LSMFSLI)模型及算法,证明了该算法的收敛性,并通过实验证明了算法的高效性。