关于改进的支持向量机的研究

支持向量机是一种基于统计学习理论和对偶理论的分类和函数估计方法,其推广能力强和全局最优的特点引起了学者的广泛关注。本论文对目前所提出的各类改进的支持向量机进行了初步的研究和分析。     

一种新的分类方法——属性均值聚类属性支持向量机(AMC-ASVM)

在属性均值聚类(AMC)与支持向量机(SVM)的基础上,提出了一个新的模式分类算法——基于(属性)聚类的属性支持向量机算法(AMC-ASVM)。主要思想是利用属性均值聚类网络得到的具有概率信息(权重)的样本,来训练属性支持向量机,从而得到分类器。这种方法结合了属性聚类的稳定性与属性支持向量机可以利用加权样本的优点,适合处理具有强噪声的数据。另外,该方法也可以看作是堆近邻分类法的自然推广。在实验部分,将其用于结肠癌基因表达数据的处理。实验结果显示了AMC-ASVM在一定程度上优于最近邻,Boosting,堆近邻,SVM等方法。     

基于LSI和自组织神经网络的高效文本聚类方法

根据隐含语义索引(LSI)理论和动态自组织映射神经网络理论,提出了一种文本聚类的新方法.应用动态自组织映射神经网络来实现文本聚类,不必预先给定聚类个数,可以在任意合适的位置生成一个新的类,具有聚类灵活和精度高等特点,对于高维的文本特征向量来说,聚类速度很低;该方法应用LSI理论来建立文本集的向量空间模型,在词条的权重中引入了语义关系,消减了原词条矩阵中包含的"噪声"因素,从而更加突出了词和文本之间的语义关系.通过奇异值分解(SVD),有效地降低了向量空间的维数,克服了自组织神经网络的聚类缺陷,提高了文本聚类的精度和速度.     

基于Simulink的交流异步电机矢量控制系统的仿真

文中在同步旋转坐标系上(M、T坐标系)推出交流异步电机数学模型,采用MATLAB/Simulink对该矢量控制系统进行仿真建模与仿真研究,在Simulink中给出仿真框图和仿真实验结果.     

摆动滚子从动件凸轮廓线曲率半径计算的新方法

滚子摆动从动件凸轮机构经高副低代后得到等效的铰链四杆机构，利用三心定理及弗列登斯坦定理对等效机构进行运动分析后，可以得到确定凸轮廓线曲率半径的图解法．在图解法的基础上应用矢量分析法推导出了摆动滚子从动件凸轮廓线曲线率半径的计算公式，这样，确定了凸轮机构的基本尺寸及运动规律之后，即可方便地计算出凸轮廓线曲率半径，且根据计算结果正负可直接判断出凸轮廓线上各点的凸凹特性．     

非线性动态网络/系统（N/S）模型辨识与故障诊断

采用方波脉冲函数变换（BPFT）对一类非线性动态N/S混合模型(H1,B)进行了辨识，导出了计算混合模型（H1,B）的相关公式和N/S响应的伏特劳级数解在方波域内的离散递推算式，解决了一类非线性动态N/S模型的数值计算问题.在此基础上，提出了一种基于多重预置模型的非线性N/S的故障诊断方法，该法通过检验各个预设模型与N/S当前状态的匹配程度来判断N/S是否处于某种故障状态，而无须在线估算N/S当前的模型及分析其特征，从而极大地减轻了在线计算工作量，可实现在线故障诊断.给出了故障诊断实例，实验结果表明该法故障诊断的准确率达到80％～90％.     

矢量量化的等误差竞争学习算法

提出了一种使各区域子误差相等的矢量量化算法．该算法利用小渡变换后各子带间的相关性，合理构造矢量．采用最优矢量量化器设计原则．通过调整学习过程中各子区域的误差，使之趋于相等，改善总的期望误差，获得更接近全局最优的码书。实验表明，这种算法获得的码本优于其它几种算法。     

生态环境哲学:哲学当代创新之域

生态环境哲学缘起于人类对自身当代生存状况与未来命运的忧虑和关注，人类生命中自然意识的觉醒以及人类文明范式的当代转型的科学基础与文化背景中。对于人与自然生态系统及人与自然生态系统中生物、非生物的关系思考和研究，生态环境哲学可在吸收与转换现代生态科学与环境科学的知识与原理的基础上而进行哲学当代创新。这种创新意味着哲学范式的一种根本性转变。     

变遗忘因子相关函数自适应滤波算法

相关函数递推最小二乘(CRLS)算法在回波消除中双方对讲情况下是有效的,但其计算复杂度较高。把相关函数最小二乘准则中的遗忘因子视为时变的遗忘因子,应用最速下降法使当前时刻的方向矢量正交于前一时刻的方向矢量,从而获得时变的遗忘因子的表达式,得到一种新的相关函数自适应滤波算法。该算法的计算复杂度比相关函数递推最小二乘算法的要低。计算机数值仿真结果表明,新算法的收敛性能和相关函数递推最小二乘算法的收敛性能相当。     

DBL(1,0,1)误差非线性回归模型相关性和方差齐性的检验

讨论了具有双线性DBL(1，0，1)误差的非线性回归模型的相关性和方差齐性的检验问题，用Score检验方法给出了双线性项检验以及相关性和方差齐性同时检验的检验统计量，并用随机模拟验证了检验方法的正确性；推广和发展了具有线性序列误差回归模型的结果；最后将结果应用于DBL(0，1，1)误差的非线性回归模型。