基于随机森林的文本分类模型研究

随着WWW的迅猛发展，文本分类成为处理和组织大量文档数据的关键技术.随机森林模型是决策树的集成，并且由一随机向量决定决策树的构造. 当森林中决策树的数目增大，随机森林的泛化误差将趋向一个上界.将随机森林模型应用于文本分类,在Reuter21578数据集上的实验表明，分类效果比较好，性能比较稳定，将其同C4.5, KNN, SM0, SVM 4种典型的文本分类器进行了比较，结果显示它的分类性能胜于C4.5，同KNN, SMO和SVM方法相当.     

局部核方法及其应用

核方法是机器学习中一种强有力的学习算法.多个领域的实践表明，通过将领域知识嵌入到核函数中，一般会得到比较好的学习效果. 从微分流形的观点讨论了机器学习中全局信息与局部信息的关系，并提出了一种嵌入局部有意义信息的核方法.文本分类的实验结果表明，与其它几个分类算法相比，它具有较高的性能.     

一种视频序列中快速定位目标图像的硬件实现方案

针对车牌定位与分类难的问题，提出了一种适用于汽车牌照号码识别的新型图像定位和分类系统实现方案．该方案采用可重配置器件FPGA和数字信号处理器DSP协同工作，实现了便携式图像处理系统．给出了系统测试平台设计思路，并详细列出了新型系统的性能数据．经测试，当FPGA时钟为50MHz时，系统吞吐率为15帧／s，可以满足实时处理要求．     

一种基于离散度的决策树改进算法

在数据挖掘中，决策树方法是一个重点研究方向．很多学者从不同角度对ID3算法进行改进和优化，提高了分类的效率和速度．本文从离散度的角度，对ID3算法进行改进．实验表明，利用改进后的算法挖掘分类规则，不仅提高了分类的正确率，而且非常高效．     

模糊数学围岩分类方法及其在隧道中的应用

在综合考虑多因素围岩分类法的基础上,引入模糊理论,结合公路隧道特定围岩地质条件的岩体块度、强度、软化系数等多个影响因素,建立围岩模糊分类模型。计算各影响因素的隶属度,按照最大隶属度原则定量判定围岩类别。并将模糊数学围岩分类方法应用于南京老山隧道工程建设中。     

DNA分子标记在真菌系统分类与鉴定中的应用

近年来分子生物学技术的发展,为从核酸分子水平上研究真菌的遗传本质,为真菌的进化研究、系统分类和鉴定开辟了新的途径.概述了几种主要的DNA分子标记的基本原理和特点,以及在真菌鉴定与分类中的应用.     

蒙古语词性标注系统的设计

介绍了蒙古语词性标注系统的设计思想、实现方法及标注系统的主要功能.该系统采用基于规则和统计相结合的方法对蒙古语句子进行分类,并对已分类的句子进行词性自动标注.     

基于模糊划分的神经网络集成

基于模糊聚类思想,提出了一种神经网络集成方法.由训练数据的模糊聚类结果,把训练数据划分成相交子集,基于各子集生成集成的个体神经网络.由于各子集所包含的数据和数据的类别各不相同,因而个体神经网络性能和结构存在差异.子集个数确定集成中个体神经网络个数.另外,基于隶属度函数计算公式,提出了个体神经网络输出结论结合方法.理论分析和实验结果表明,此方法对模式分类能取得较好的效果.     

海洋浮游植物自动分析和识别技术

浮游植物是海洋生态系统的初级生产者．对其种类的分类鉴定和定量分析是海洋科学研究和应用的基础性工作．传统的分析方法主要采用显微镜下的人工鉴定和定量计数．为了适应海洋科学和环境监测中的快速检测的需要，解决目前显微镜人工鉴定中存在的专业水平要求高、分类人员断层、耗时等问题，至今已有不少学者对各种浮游植物自动分析和识别方法进行了研究．包括基于藻细胞形态的与计算机技术相结合的图像法，基于藻类色素组成的吸光光度法、荧光分光光度法和高压液相色谱法．基于藻细胞大小、色素组成、DNA等的流式细胞仪法，基于细胞基因系列的分子探针法等．本文对这些方法的原理、发展动态、优缺点等进行了综述．认为基于藻细胞形态的浮游植物显微图像自动识别技术，由于其综合了现代仪器自动分析和传统显微分类方法的优点，是浮游植物自动识别的一种理想和实用的方法，将有很好的应用前景．     

一种IP数据包快速分类算法

为了提高查找效率,在无冲突哈希查找算法和Grid of Tries算法的基础上提出了一种基于无冲突哈希和多比特Trie树(NHMT)的IP分类算法.该算法的核心有3部分:哈希函数的构造,主要是采用基于目的端口和协议两域构造哈希函数,使得在最坏情况下完全避免了空间爆炸问题;在Grid of Tries算法的基础上,对Grid of Tries算法改造成修剪的Trie树和多比特Trie树,以减少空间复杂度;在无冲突哈希查找算法的基础上扩展一层用于存放源端口号(或范围),扩展后一般要提高算法的时间复杂度,要通过引入多比特Trie树的方法进行解决.对于空间复杂度方面与无冲突哈希查找算法比较,一般情况下不增加空间复杂度.通过仿真,当对10 000条规则进行包分类时,该算法的分类速度可以达到1 Mbit/s,所消耗的最大内存为8.2 MB.