支持向量机在城市用水量短期预测中的应用

为解决现有的城市用水量短期预测人工神经网络法的过学习与局部极小点等问题,通过对城市时用水量数据特征的分析,在统计学习理论和结构风险最小化准则的基础上,建立了基于支持向量机(SVM)理论的城市用水量短期预测数学模型.在算例分析中与误差逆传播(BP)神经网络预测法进行对比,发现该方法的平均预测精度提高了2%,且具有收敛速度快、泛化能力强等优点,在用水量短期预测中非常有效.     

支持向量机及其在自然语言处理中的应用

支持向量机是一种基于统计学习理论的新型机器学习方法,因其独特的优势和出色的学习性能,显现出广泛的应用前景和重要的研究价值.较为系统地介绍了统计学习理论和支持向量机的概貌,以及目前支持向量机方法研究的现状,并重点介绍了支持向量机在以汉语专有名词自动识别为例的自然语言处理领域的应用.     

基于水平集的散乱数据点云曲面重构方法

提出了基于最小能量约束的水平集重构方法，用以解决由三维数据点云自动重构复杂拓扑结构物体模型的问题．其基本思想是将重构曲面看成是一个定义在三维空间的可变形封闭曲面，在曲面自身几何特征以及目标模型力的作用下，逐步逼近目标模型，其演变过程同时也是曲面能量逐步减小的过程．采用偏微分方程来表示曲面能量最小化的过程，将曲面进行三维空间网格划分，采用快速扫描法将三维数据点云转换为有符号的距离场，并给出了离散偏微分方程的数值解法．实验表明，基于水平集的三维曲面重构方法能够从初始表面自动收缩到目标模型，而且能够适应任意拓扑结构的复杂物体．     

加权期望残差极小化方法求解一类随机拟变分不等式

拟变分不等式是变分不等式及不动点理论的一个重要分支,其被广泛的应用于博弈论、物流管理、金融经济等领域.由于现实问题受随机因素干扰,上述问题中许多模型都可以由随机拟变分不等式描述,例如随机Nash均衡、随机供应链模型等.用加权期望残差极小化方法研究了一类随机拟变分不等式,并在一定条件下,通过拟蒙特卡洛方法得到了加权期望残差极小化模型的解.     

Joint 2D DOA and Doppler frequency estimation for L-shaped array using compressive sensing

A joint two-dimensional(2D) direction-of-arrival(DOA)and radial Doppler frequency estimation method for the L-shaped array is proposed in this paper based on the compressive sensing(CS) framework. Revised from the conventional CS-based methods where the joint spatial-temporal parameters are characterized in one large scale matrix, three smaller scale matrices with independent azimuth, elevation and Doppler frequency are introduced adopting a separable observation model. Afterwards, the estimatio...     

基于误分类代价的粗糙模糊集近似集

粗糙模糊集的近似集提供了如何利用已知的信息粒来近似描述模糊知识的方法,但在构建近似集时并没有考虑误分类代价这一实际因素.针对此问题,从误分类代价的角度,提出了粗糙模糊集的近似表示R(X),并揭示了多粒度知识空间中不确定性域对应的误分类代价随着粒度细化的变化规律.实验结果表明,R(X),R(X)和R(X)分别作为X的近似集时,R(X)产生的误分类代价最小,在一定程度上反映了R(X)作为近似集时的优势.