面向多类学习问题的核最近表面分类方法

虽然最邻近决策规则能很好地解决数据集的非线性和非平衡性问题,但其没有学习过程.在此基础上,提出了一种利用聚类方法来浓缩训练样本,再根据最近邻准则进行决策的方法——核最近表面分类方法.通过实验将其与几种常用的统计分类方法进行对比,结果表明,核最近表面分类方法具有决策速度快、存储空间需求小等优点,同时也能够很好地处理非平衡...     

具有高阶奇性解的Hilbert核奇异积分方程

首先讨论了具有高阶奇性解的周期Riemann边值问题，然后通过解周期Riemann边值问题研究了具有高阶奇性解的带Hilbert核的奇异积分方程，将已有的具一阶奇性解的带Hilbert核的奇异积分方程进行了推广。     

基于核空间的模糊聚类方法在储层预测中的应用

基于核空间的模糊C均值聚类方法是一种模式识别的新方法。在地震属性聚类处理时常常会遇到非超球体数据以及非线性类间边界等问题,而传统的模糊C均值聚类方法无法行之有效地解决。将核空间方法引入传统的模糊C均值聚类方法中,并应用于储层预测。针对地震属性聚类问题中不同属性对于储层的敏感性不同,将特征权重和模糊指数等参数加以优化,提高新的模糊聚类方法的储层预测效果。对实际资料的计算与分析结果表明,新的基于核空间的模糊C均值聚类方法可以更准确地刻画碳酸盐岩含气储层边界。     

基于混合核函数支持向量机的回归模型

基于支持向量机核函数的条件,将Sobolev Hilbert空间的再生核函数和Sig核函数进行有效的线性混合,给出一种新的支持向量机的混合核函数,并提出一种基于再生核的混合核函数支持向量机回归模型,该回归模型兼具了全局核函数与局部核函数的优点,且算法的复杂度被降低.仿真实验结果表明:最小二乘支持向量机的核函数采用基于再生核的混合核函数是可行的,回归的效果比单核函数可以更为细腻.     

基于图像特征的卷积核初始化方法

针对当前卷积核初始化方法易导致网络不稳定及主成分分析算法对网络结构限制的问题,提出一种基于图像特征的卷积核初始化方法.该方法先结合模糊处理技术和边缘处理技术对图像进行采样,再将采样后的数据随机分组,使用主成分分析算法提取各组数据的主成分,初始化卷积核.将该方法应用于数据集Cifar-10和Corel-1000,并与Ga...     

具有内生性的随机变系数模型的PLS估计

在随机变系数模型中,自变量很可能与系数方程中的随机斜率相关,从而引起内生性问题.这样的内生性同样会导致标准的OLS (ordinary least squares)估计量有偏且非一致.本文通过非参方法来解决这种内生性问题.首先设定此种相关性为一个未知方程,将其直接加入模型,再利用PLS (profile least squares)方法进行估计.在给出确定性参数的渐近性质后,本文比较了PLS和OLS估计量的有限样本性质.Monte Carlo结果显示,一般而言,PLS方法都优于OLS方法.最后,本文以社会经济地位对学生成绩的影响为例,考察了PLS和OLS估计值的区别.     

基于局部时空模式的体育视频行为识别

针对视频行为识别中由于目标相互遮挡及环境背景的复杂性等因素进行多目标跟踪存在的问题, 提出一种将局部模式活跃度判别模型用于视频中活跃个体的检测和定位方法, 解决了基于轨迹方法中由于遮挡导致轨迹提取不完整或背景过于复杂等因素导致的识别准确度较低的问题. 将该模型分别应用在2012年欧洲杯足球赛和2013—2014赛季西班牙甲级足球联赛38场比赛关联进球事件的视频段上, 得到平均准确率为91.3%的较好结果. 实验结果验证了该方法对视频中目标物行为识别具有较高的准确性和实用性.     

m-WOD序列密度函数和失效率函数核估计的强相合性

设{Xn, n≥1}为一同分布的m 宽象限相依(m-WOD)序列, f_n(x),r_n(x)分别为密度函数f(x)基于样本X₁,X₂,…,X_n的核估计和失效率函数核估计. 在适当的假设条件下, 利用m-WOD序列的矩不等式和Borel Cantell 引理, 证明核密度估计及失效率函数核估计的强相合性和一致强相合性.     

基于Bootstrap的小样本可靠性评估方法

针对小样本情况下,采用极大似然估计Mle法求解分布参数会产生较大误差的问题,基于Bootstrap数据扩充的思想提出了B-mle法,减小了参数估计的误差.首先,利用Bootstrap法对小样本数据重抽样产生多组再生样本,达到扩充数据样本的目的;其次,对再生样本采用极大似然估计求解分布参数,得到多组参数的极大似然估计值,...     

Support vector machine with mixture of kernels for automatic image annotation

Automatic image annotation （AIA） has become an important and challenging problem in com- puter vision due to the existence of semantic gap. In this paper, a novel support vector machine with mixture of kernels （SVM-MK） for automatic image annotation is proposed. On one hand, the com- bined global and local block-based image features are extracted in order to reflect the intrinsic con- tent of images as complete as possible. On the other hand, SVM-MK is constructed to shoot for bet- ter annotating performance. Experimental results on Corel dataset show that the proposed image fea- ture representation method as well as automatic image annotation classifier, SVM-MK, can achieve higher annotating accuracy than SVM with any single kernel and mi-SVM for semantic image annota- tion.