基于主体的非均衡人工股市计算模型

对SFI系列基于主体的人工股市计算模型进行了改进,改变了资产定价机制,剔除了均衡定价方法,在学习分类器系统中引入了模糊处理环节,并改变了主体的学习方式,使得人工市场中同时包含具有不同学习速度的主体。基于此构建的新人工股市仿真模型的运行结果具有真实股市数据的形式化特征,通过比较不同学习速度的主体以及零智能主体的表现,发现人工股市计算模型中学习对于主体的财富有决定性作用,学习速度也会影响主体的表现,而且学习存在一个限度问题,过多的累积学习次数反而会削弱主体聚集财富的能力,这在基于主体的人工市场的构建中是一个值得重点关注的方面。     

基于连续数据量化的声纳传感器数据识别方法

为了有效识别声纳信号,提出一种基于连续数据量化的声纳传感器数据识别方法。首先用声学传感器采集数据;其次运用数据离散化方法,有效地将采集到的数据进行连续数据离散化;最后,通过数据挖掘技术(C4.5/C5.0决策树、SVM和Naive-Bayes分类器)对离散后的声纳信号数据进行分类识别。实验首先在UCI数据集上进行Naive-Bayes分类预测来评价提出离散化方法的性能,得到了较好的效果。其后,通过声学传感器收集到的Sonar数据集进行实验。结果表明,新的离散化方法提高了四个分类器的识别精度,表明该声纳传感器数据识别技术是非常有效的。     

一阶逻辑推理系统F下量词的性质及运算规律

量词在一阶逻辑推理中起着重要作用,然而它的性质及运算规律比较繁杂,关于它的一些等值式和蕴涵式不能像在命题逻辑中那样用真值表来验证,本文将给出一系列的论证.     

基于GABC算法的作战体系智能优化方法研究

为解决探索性仿真无法快速地遍历解空间,实时提供辅助决策方案的问题,提出了基于分类器的遗传算法,建立了基于该算法的作战体系仿真优化方法框架,能够根据体系关键因素和决策目标的动态变化寻找最优解,适用于诸如寻求最佳效费比方案、最优力量部署等多种体系优化问题。基于国防大学的仿真试验床系统进行了某海域火力拦阻作战的实验,通过GABC(genetic algorithm based on classifier)算法优化了力量配置问题。实验表明,该方法可以准确、快速地从复杂的体系限制条件中寻找效费比最高的方案,可以大量减少仿真实验的次数,满足快速辅助指挥员决策的需求。     

基于两步策略的英文文本分类

提出了基于两步策略的3种多类多标签英文文本分类方法:①以贝叶斯为分类器,以抽取词根的单词和未抽词根的单词分别作为第一、第二步使用特征的两步方法;②以贝叶斯和决策树分别为第一、第二步使用分类器的两步方法;③以ID 3、C 4.5和贝叶斯的组合分类器对部分特定类别进行分类,然后对余下类别采用方法②进行二次分类的混合两步方法。实验表明,3种方法中方法③具有最好的性能。     

一种基于模糊C均值的新分类算法

以两种初始化类中心的选择算法为基础, 对传统聚类算法模糊C均值算法进行改进, 提出一种基于模糊C均值的新分类算法NFCM, 解决了数据分类问
题, 并采用UCI上的标准数据集中多个常用数据集进行实验测试, 实验结果表明, 对于UCI上标准数据集的常用数据具有较好的分类结果.     

一种基于支持向量机的模糊分类器

提出了一种基于支持向量机学习的模糊分类器(FCBSVM).介绍了FCBSVM的基本思想及其结构,分析了隶属函数参数和惩罚参数C对分类规则的产生以及分类性能的影响,并提出了参数确定方法.构建这种分类器时,先选用适当的隶属函数,构造核函数.然后,以训练模式作为中心,进行模糊划分,对每个模糊划分建立一条模糊IF-THEN分类规则.最后,利用支持向量机学习方法,求出支持向量和规则的参数.这种分类器将支持向量机和模糊集合理论的优点结合起来,实现了模糊划分和模糊分类规则的自动产生.用双螺旋线数据和典型的数据集对分类器的性能进行了实验评测,验证了分类器的有效性.     

基于支持向量学习的多目标并行区域增长图像分割算法研究

为克服经典区域增长算法中生长规则以及特征选取的困难，提出了基于支持向量机的多目标并行区域增长图像分割算法。首先交互选择多个不同区域的种子点（假设邻近种子点的一小部分区域属于同一目标区域，不同种子点邻域分别属于不同目标区域），利用其邻域构造训练样本；然后利用这些已知的训练样本训练支持向量分类器；在区域增长过程中，利用训练所得的支持向量模型建立增长规则。为了避免初始种子点位置选择对算法性能的影响，采用了多区域并行竞争增长策略。仿真实验获得了较好的分割效果，表明提出的算法是合理可行的。     

无向马尔科夫毯分类器与集成

无向马尔科夫毯结构是属性和类变量之间的最重要依赖结构之一,建立无向马尔科夫毯分类器的核心是无向马尔科夫毯结构学习。针对现有无向马尔科夫毯结构学习方法具有低效率和可靠性,以及不具实用性等问题,基于贝叶斯网络理论、马尔科夫网络理论和依赖分析方法进行具有多项式复杂度的无向马尔科夫毯结构和分类器学习,来避免这些问题。并建立最优性定理、可转换定理、可靠性定理和局部化定理为其提供理论依据。同时,对小例子集情况,给出了近似学习方法,并将无向马尔科夫毯分类器扩展为联合分类器,以有效地进行小例子集分类。