甘肃省黄芩属植物的分类与分布

经调查鉴定,本文整理出甘肃省黄芩属植物10种、2变种,其中发现本省分布新记录3种;列出了分种检索表;记载了每个种在本省的产地和分布;为开发利用黄芩属植物资源提供了科学依据。     

Incremental training for SVM-based classification with keyword adjusting

This paper analyzed the theory of incremental learning of SVM (support vector machinc) and pointed out it is a shortage that the support vector optimization is only considered in present research of SVM incremental learning. According to the significance of keyword in training, a new incremental training method considering keyword adjusting was proposed, which eliminates the differcnce hetween incremental learning and batch learning through the keyword adjusling. The experimental results show that the improved method outperforms the method without the keyword adjusting and achieve the same precision as the hatch method.     

"分类组合"教学法在高校女生健美操教学中的效应

针对高校体育课和女学生的特点运用有关原理,设计了"分类组合"教学法.通过对女生健美操的教学实验,统计结果显示实验组在考试成绩以及优秀、良好等级与对照组比较,均存在显著性差异(P<0.05).     

元学习策略及性能评价

为提高分类系统的性能,提出一种统一多种元学习算法的元学习框架,定义并描述了并行和串行两种组合方式.由基分类器的分类结果构成新属性,并加入到特征向量中以形成元数据.通过扩展特征向量,元学习增强了对假设空间的表达能力,降低了系统的偏差.在加州大学提供的标准数据集上对元学习策略进行了实验研究,结果表明:与多数投票、最大规则、最小规则等融合方法实现的多分类器系统相比,并行和串行组合在所用数据集上的平均分类错误率可分别降低39.12%和40.56%,且在n分交叉验证中n值的增加并不能改进分类性能,串行组合中的基分类器的顺序对分类错误率没有显著影响.     

论遥感数字图像的模糊分类处理

重点讨论国外遥感数字图像分类处理研究中应用效果显著或应用前景广阔的一些模糊数学方法，并就模糊数学实际应用于遥感图像分类处理的原则性问题提出了一些见解，还就上述诸方法存在的问题提出了一些改进设想．     

基于隐马尔可夫模型的多重序列分析

隐马尔可夫模型是最近几年在许多机器学习领域都得到成功应用的关于序列分析的重要统计模型,特别是在蛋白质家族的识别方面.这主要是由于生物数据的急剧增长导致2个领域(计算科学和生物学)走向结合引起的.探讨了多重序列比对和序列谱隐马尔可夫模型,讨论了隐马尔可夫模型的基本算法以及如何建立HMMs.根据E值和训练分数进行蛋白质家族的识别和分类.     

一种新的背景模型建立及更新方法

提出一种新的建立背景模型和更新背景的方法．首先采用一种新颖的类Hausdorff距离建模方法建立初始背景，然后对每一输入帧使用背景差分法获得前景，并利用高效分类器创造性地将前景分类为运动目标、静止目标、虚假目标、噪声，最后在背景更新阶段使用基于前景目标的背景更新方法．实验结果表明，本方法能建立可靠初始背景，并能有效地解决背景更新“死锁”问题，增强背景模型的鲁棒性．     

复用驱动的信息分类编码系统关键技术

软件复用技术是提高软件开发质量，缩短软件开发周期的重要方法之一。文中从编码结构模型、构件-构架的开发模式、分类方法设计、半层次化体系结构模型。以及构件的变点及其实现机制等方面，给出在信息分类编码系统的开发过程中所采用的面向软件复用的若干关键技术，并讨论相关问题。     

传统文献分类法在网络信息资源组织中的应用

简要分析了传统文献分类法作为网络信息组织工具的优势，并就网络分类检索系统中现有分类体系的完善、现代分类技术的使用、网络分类系统的建立方式、标引自动化等问题进行了深入的探讨。     

基于增量式遗传算法的粗糙集分类规则挖掘

从规则获取和优化两个方面研究了基于遗传算法(GA)的增量式粗糙集分类规则挖掘方法．通过研究决策表和决策规则系数，建立了基于粗糙集表示和度量的知识理论，将GA和粗糙集分类规则挖掘算法相结合，在保持原有知识完备的前提下，利用GA对以增量形式获得的分类规则进行优化，获取最优分类规则．试验结果表明，执行增量式GA所需时间较执行一般GA所需时间要少，可有效完成分类规则优化的任务，同时还可提高分类的精度，使分类结果具有更好的可理解性．