基于案例学习的排球机器人运动规划及其支持向量回归实现

针对混合型控制问题,以排球任务为例研究机器人的运动规划.模拟人类球员通过经验积累而采取相应动作的行为学习模式,采取案例学习的方式解决球的初始状态微小变化(仅发球速度和角度变化)时的运动规划问题.由于支持向量回归(SVR)在处理小样本问题的优越性并受局部学习思想的启发,采用局部加权SVR(LW-SVR)实现案例学习.结果证明,LW-SVR的学习精度较RBF神经网络和SVR明显提高.     

高科技行业员工知识更新应对与适应状况研究

本研究通过访谈、编制问卷以及问卷施测，考察了高科技行业员工如何应对迅速更新的行业知识和技术，以及组织支持、认知评价、应对和员工目前适应状况之间的关系。本研究的现实意义在于：为企业和员工更好地应对迅速更新的知识和技术，提供了有意义的参考信息。     

计算机支持合作学习法

计算机支持合作学习是计算机支持的协同工作与协同学习的理论与方法相结合的产物,集计算机技术、信息技术、教育学、心理学、社会学等为一体,在CSCL平台的支持下,学生们可突破地域和时间上的限制,进行同伴互教、小组讨论、小组练习、小组课题等合作性学习活动,从而使学生们获得的知识紧密地结合起来,使处于不同年龄、时间、地点的人们开展协作学习成为可能.     

特征筛选对脑-机接口信号单次提取精度的影响

脑-之机接口的核心问题之一是通信载体信号的单次提取．在构建脑控拼写器的过程中，通过“模拟自然阅读”诱发模式产生的视觉诱发电位作为人脑与计算机之间的通信载体，采用支持向量机方法进行特征信号的单次识别．为提高识别精度，详细研究了信号时程、时段的选择对模式识别精度的影响．结果表明，信号时程越长分类精度越高，时程达到300ms时，分类精度就可达到最大值（且趋于饱和）；信号时段的选择对分类精度亦有较大影响，最佳时段在靶刺激出现后约250～350ms作为起始处．这一结果为提高系统的整体速度与精度打下了基础．     

基于支持向量回归的钢材力学性能模型及应用

根据化学成分准确预测钢材产品的力学性能并及时调整相关生产的控制策略,将有效地提高钢铁生产的最终产品质量.支持向量机是一种建立在统计学习理论基础上的机器学习方法,介绍了基于此算法基础上的一种ε-支持向量回归机算法及其推导过程,建立了基于ε-支持向量回归机的钢材力学性能模型,通过实际应用表明该模型比Excel回归预测具有更高的精度.     

On-line Weighted Least Squares Kernel Method for Nonlinear Dynamic Modeling

Support vector machines （SVM） have been widely used in pattern recognition and have also drawn considerable interest in control areas. Based on rolling optimization method and on-line learning strategies, a novel approach based on weighted least squares support vector machines （WLS-SVM） is proposed for nonlinear dynamic modeling. The good robust property of the novel approach enhances the generalization ability of kernel method-based modeling and some experimental results are presented to illustrate the feasibility of the proposed method.     

电子政务中的数据挖掘及其应用

在分析电子政务中数据特点的基础上，概述了电子政务中的数据挖掘的方法和流程，提出需要重点研究的若干关键问题包括框架体系构建、挖掘算法设计、知识管理与分析评价等，最后对数据挖掘在电子政务决策中的应用进行了探讨。     

一种基于KNN与改进SVM的车牌字符识别算法

提出了一种将KNN(K近邻)和支持向量机相结合的字符识别算法.首先用KNN对字符进行判断,如果输出的置信度大于阈值,则认为分类正确;如果小于阈值则采用支持向量机进行判决.改进了SVM分类器,通过调整支持向量机的分类超平面改进了支持向量机的性能.将算法应用到实际的车牌字符识别中,识别结果表明,这种方法在提高识别速度的同时,有效提高了字符的识别精度.     

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。