分类大规模数据的核向量机方法研究

标准的支持向量机算法需要求解二次规划问题,因此,在处理大规模样本的时候,求解二次规划问题的时间复杂度和空间复杂度就成为支持向量机应用的一个瓶颈.核向量机将传统支持向量机中的二次规划问题转化为求解最小包围球问题,从而显著降低了二次规划的复杂程度.使用核向量机对大规模数据进行分类,所选用的数据样本数均超过2000,并与标准的支持向量机作了对比实验结果表明:核向量机在处理大规模数据分类时,比标准的支持向量机计算复杂度低,训练速度快,耗费空间少.     

Seasonal Time Series Analysis Based on Genetic Algorithm

Pattern discovery from the seasonal time-series is of importance. Traditionally, most of the algorithms of pattern discovery in time series are similar. A novel mode of time series is proposed which integrates the Genetic Algorithm （GA） for the actual problem. The experiments on the electric power yield sequence models show that this algorithm is practicable and effective.     

基于K-Means的颜色量化算法在岩石图像预处理中的应用

提出了一种基于K-Means的颜色量化算法的岩石图像预处理方法,利用K-Means自动将图像中相似的颜色合并为一种颜色,减少了岩石图像中的无用颜色。对于颜色量化,假设RGB岩石图像中的每个像素点都有自己的颜色,并且每个像素点都有对应坐标,使用欧几里得距离公式计算每个像素点之间的距离,最后利用K-Means算法对这些有特定颜色的坐标点进行无监督聚类,从而实现颜色的量化。应用结果表明,将基于K-Means的颜色量化算法用在岩石图像中,可以减少岩石图像中的颜色数量,且能在较低性能的计算机设备中很好地再现岩石图像,同时也能提高岩石图像处理的效率。     

基于多Agent的生态复杂适应系统建模和仿真

为了再现真实草原生态系统,在保留生态复杂适应系统多样性的同时,反映生态系统的一般特性,在复杂适应系统理论基础上,利用多Agent的建模仿真方法,以反应型Agent为基础建立了一个生态系统的模型.利用多Agent仿真平台NetLogo仿真了该模型,通过调整环境因素和各类参数,使模型涌现出草原生态系统的各种现象.仿真结果验...     

基于涌现自组织映射的油气层识别及分析

当样本数多、数据维数高时,利用Kohonen自组织特征映射聚类后相邻类簇间容易发生大面积重叠,导致聚类和可视化的效果降低.利用Ultsch涌现自组织特征映射神经网络对测井数据进行聚类,而后分别通过分量图、U矩阵和P矩阵在超环面上进行可视化,并对其结果进行比较分析.该模型可克服Kohonen自组织特征映射的上述缺陷,优化聚类结果.借助该模型进行测井数据的聚类分析与可视化,可为岩性识别提供参考.     

信息系统体系结构的探讨

目的 探讨信息系统体系结构框架及构成.方法 从系统角度,通过考虑信息系统要素及构成,来探讨信息系统体系结构框架.结果 从系统角度提出了一种较全面的信息系统体系结构框架,信息系统体系结构建立在企业架构基础之上,它包括信息系统的概念结构、基础设施架构、信息资源结构和软件架构等.信息系统体系结构表现出确定的架构模式,同时需要Corba,DCOM,EJB,Web服务等分布架构技术的支持.结论 对信息系统学科的研究和信息系统开发具有重要意义.     

基于混合降维Elman神经网络的砂岩储层物性参数智能计算研究

针对实验室测定岩石储层物性参数在实际应用中的成本问题,提出一个基于混合降维Elman神经网络的砂岩储层物性参数计算的智能方法。首先利用灰色关联分析对岩石薄片特征参数与其物性参数进行关联度计算,优选关联度较高的若干参数;其次使用主成分分析对选出的特征参数二次降维,最后应用Elman神经网络寻找岩石薄片特征参数与其物性参数之间的映射关系。选取鄂尔多斯盆地吴旗地区薛岔区块延长组储层砂岩样本的薄片鉴定与物性分析数据对方法进行测试,实验结果表明,计算得到的孔隙度与渗透率平均相对误差分别为7.28%和6.25%,混合降维方法在收敛速度和计算精度方面也得到提高。因此,基于混合降维Elman神经网络方法能够利用成本较低的岩石薄片相关资料快速并准确地计算砂岩储层物性参数,具有较高的可靠性、实用性以及应用前景。     

融合BVM与ELM的网络异常检测方法

针对用单一分类器对网络进行异常检测时存在的检测率低、虚警率高等问题,提出了一种新的融合球向量机(BVM,Ball Vector Machine)与极限学习机(ELM,Extreme Learning Machine)的异常检测方法.该方法分别用BVM与ELM对三类网络特征进行学习,通过BP神经网络训练出相应权值来融合标签.实验表明:使用该融合方法进行网络异常检测的性能要优于使用单一的BVM或ELM;相对于融合传统的SVM与BP网络的方法,融合BVM与ELM网络异常检测方法的检测率与虚警率与传统方法相当,但其训练速度快、整体性更优.     

PSO-LSSVM分类模型在岩性识别中的应用

为了精确解决测井岩性识别问题,提出了一种将粒子群优化算法(PSO)与最小二乘支持向量机(LSSVM)相结合对实际测井资料进行岩性识别的方法.首先使用粒子群优化算法对LSSVM建模过程中的重要参数进行优化调整,然后利用参数优化调整后得到的具有较优分类效果的PSO-LSSVM模型对某油田的测井资料进行岩性识别.实验结果表明:同基于交叉验证的支持向量机模型以及单隐层的BP神经网络模型相比,该方法能够很好描述测井数据和岩性类别之间的非线性映射关系,识别精度高,并提高了算法的自动化程度.