基于用户反馈和增量学习的垃圾邮件识别方法

为了提高垃圾邮件识别的准确度,减少识别中的错判,提出了一种交互式垃圾邮件识别方法。该方法用一组具有特定权重的规则识别垃圾邮件,规则权重分布用改进遗传算法训练得到。增加用户与服务器间的交互,收集用户反馈的错判信息,根据反馈信息用增量学习动态调整规则权重。通过对SpamA ssass in扩展实现了该方法,并应用在邮件服务器上进行了测试。实验中在不影响垃圾邮件识别率的前提下,降低误判率约10%。实验结果表明:该方法不但能有效减少识别中的误判,而且避免了繁琐的重新训练,加快了规则权重的更新速度。     

修正Jhansale模型下材料随机交变加载应力应变分析

根据不同循环加载次数下材料循环应力-应变曲线的变化特点,利用材料屈服强度增量对不同循环次数下Jhansale模型骨架曲线进行修正,并分别针对硬化/软化材料利用修正的Jhansale模型进行随机交变加载下材料的应力应变分析.分析结果表明:与修正前模型相比,修正后模型的分析结果不仅符合材料记忆特性,而且可以反映材料循环硬化/软化的瞬态效应,对硬化/软化材料在循环加载下应力应变状态的描述更加准确.     

模式生物基因序列的识别

真核生物的全基因组序列可分为三种:外显子、内含子和基因间序列.基于剪切位点附近序列的保守性,序列的组分特征和编码序列阅读框存在三周期性,三种序列的标准离散源由序列上64个三联体的概率和5′端与3′尾剪切位点附近(共30位点)上4个碱基的概率,共184个参数构成.某条序列的类型就可以由该序列的离散量与上面三个标准离散源的离散量之间的离散增量最小值决定.当标准离散源具有184个信息参数时预测率比64参数预测的成功率至少提高4.61%,前者的预测成功率依次如下:线虫88.37%,酵母菌90.72%,拟南芥91.08%,果蝇92.28%,大肠杆菌92.88%.对预测成功的和错误的两类序列进行比较,发现这些预测错误序列的184个参数值与其预测结果所属的那类序列本身的参数值十分类似.     

基于自适应粒子群算法的增量配电网电源博弈规划

针对增量配电业务开放环境下多主体独立规划带来的资源浪费,以及传统粒子群算法在寻优时出现由于局部最优而无法找到整体最优解的问题,提出了一种基于自适应粒子群算法的增量配电网电源侧博弈规划方法.分析分布式电源投资运营商和储能运营商之间的利益关系,以各自收益最大为目标建立各决策主体的收益模型;从博弈参与者、策略集合及收益函数出...     

基于SVM学习方法的分析

介绍了增量学习算法、序列最小优化算法、加权支持向量机算法等几种应用于大型数据库，在加快训练速度、降低分类错误率等方面有改进的SVM流行算法．在分析各种算法优缺点的基础上，提出了在线性样本训练、超大规模样本下满足KKT条件的算法是SVM算法的发展方向的观点．     

钢-混凝土组合梁混凝土收缩徐变的增量微分方法

为深入了解混凝土收缩徐变对钢-混凝土组合梁力学性能的影响,采用随时间变化的换算弹性模量法建立了钢-混凝土组合梁混凝土收缩徐变的增量微分模型,得到了组合梁内力、挠度和钢-混凝土界面滑移的微分控制方程.根据边界条件,给出了内力、变形及钢-混凝土界面滑移等各项力学性能指标的闭合解.为验证增量微分方法的正确性,对试验梁和算例梁进行了跨中挠度-时间曲线、沿梁高应变分布及梁端钢-混凝土界面滑移的计算分析.计算结果表明,所建立的增量微分法与试验值和其他计算方法的计算结果吻合较好,可以有效地预测钢-混凝土组合梁的长期力学性能.     

MSK的格状编码与非相干最大似然相位增量序列估值

本文在文献[1]、[2]的基础上,提出了在高斯加性白噪声信道中解训连续相位调制的一种非相干最大似然相位增量序列佔值(Maximum Likelihood Phase Difference SequenceEstimation,简称MLPDSE)算法,并研究了该算法与MSK的格状编码的结合,最后举例说明了该编码方案的编码增益。     

参外联合激励下直齿轮副的非线性动力学

建立了考虑间隙、时变刚度和静态传递误差的直齿轮副动力学模型,利用增量谐波平衡法研究了这一类模型的周期解,得到了任意阶近似解的统一形式.将增量谐波平衡法所得结果和数值结果进行比较,二者吻合良好.最后研究了阻尼比和激励水平对幅频曲线的影响,发现增大阻尼比和激励水平均可以控制齿轮系统的碰撞现象,所得结果可以用于分析和控制齿轮系统的动力学.     

浙江省绿色建筑的发展和技术应用

 总结了浙江省现有的绿色建筑项目的发展现状和技术应用情况,并分析了其发展特点及目前存在的问题。结果表明,浙江省绿色建筑发展仍然存在城市之间的不平衡和技术应用上的不平衡;但绿色建筑技术的增量成本逐步下降并趋于平稳,这将有利于绿色建筑技术的推广应用。     

一种新的支持向量机增量学习算法

提出一种新的支持向量机增量学习算法。分析了新样本加入训练集后，支持向量集的变化情况。基于分析结论提出新的学习算法。算法舍弃对最终结论无用的样本，使得学习对象的知识到了积累。实验结果表明本算法在保证分类准确度的同时，在增量学习问题上比传统的支持向量机有效。