工艺规划系统中动态模式分类的研究

提出了工艺规划系统中动态模式分类（pattern classification）的概念，介绍了模式分类判定树和动态模式分类的基本原理，并对动态模式分类的聚类质量标准进行了研究。动态模式分类是基于实例归纳（case based reasoning,CBR)的自动分类过程，具有自学习和自完善的功能。     

红枫湖、百花湖近年来富营养化状况分析

通过对“两湖”水质数据的统计分析 ,运用系统分析的集对联系度分析方法对“两湖”富营养化进行定性评价 ,并利用联系度数值进行定量示意来反映“两湖”富营养化程度及变化趋势。     

四川省城市地貌的初步研究

本文分析了四川省地貌的区域特征及其对该省城市布局、结构和整治的影响,对该省城市地貌作了初步分类,划分出3个基本类型和7个亚类,并对各亚类进行了简要分析。     

基于属性差异的产品缺陷数据关联规则模糊分类

针对工业生产过程中所产生的产品缺陷数据经过数据挖掘后关联规则存在不能有效组织的问题,提出一种基于项目属性差异的产品缺陷数据关联规则模糊分类方法,在建立模糊分类树的基础上,计算出关联规则间距离,并采用自组织神经网络聚类的方法对挖掘结果进行聚类分析。将该方法应用于冷轧带钢表面缺陷数据挖掘后处理,结果表明,该方法不仅能够得出两种不同属性项目间的关联性,还可以求出缺陷关联规则间的距离,距离越近的关联规则被聚为一类,其相似性越大。     

相似技术动作程序教学在体操教学中的运用研究

根据体操技术动作的内在规律，编制相似技术动作教学程序，把要学习和掌握的动作技能置于教师的控制下，使教学过程的顺序性、经济性、实效性均达到最佳程度．     

基于PCA的概率神经网络模式分类方法

研究了概率神经网络隐单元主要分量的选取方法。这些方法的概率神经网络比原来的网络大大降低了隐单元数，并且带来分类测试时间减少的增益。最后，就模拟和实测两组数据进行了计算机仿真，实验结果证实了这种方法的可行性。     

基于词-标签概率的多标签文本分类研究

针对多标签文本分类任务中如何有效地提取文本特征和获取标签之间潜在的相关性问题,提出一种CNN(convolutional neural networks)结合Bi-LSTM (bi-directional long short-term memory)的模型.首先,通过CNN网络和最大池化提取文本的特征;然后,利用训练的Labeled-LDA(labeled latent dirichlet allocation)模型获取所有词与标签之间的词-标签概率信息;接着,使用Bi-LSTM网络和CNN网络提取当前预测文本中每个词的词-标签信息特征;最后,结合提取的文本特征,预测与当前文本相关联的标签集.实验结果表明,使用词-标签概率获取文本中词与标签之间的相关性信息,能够有效提升模型的F1值.     

面向特征融合与知识蒸馏的恶意软件分类

恶意软件分类是一个多分类任务,旨在提取软件特征来训练模型,以判断恶意软件的类别。现有工作主要集中于利用深度神经网络从恶意软件图像中抽取特征进行分类,对恶意软件的序列特征和分布特征之间的关联性缺乏关注,限制了模型性能。此外,这些现有模型大多具有较高的参数量,往往需要占用较大的计算资源。为此,提出一种基于特征融合与知识蒸馏的恶意软件分类方法。一方面,通过残差网络分别从灰度图和马尔可夫图中抽取恶意软件的序列特征和分布特征,并利用自注意力挖掘不同特征之间的关联性,以提升模型性能。另一方面,通过教师网络向多个学生网络进行知识迁移,并让学生网络互相协作学习,以进一步降低模型规模。在微软和CCF数据集上的实验结果证明,该方法不仅有效提升了模型性能,而且可以降低模型的参数量和计算量。此外,本文通过热力图定位影响分类结果的字节,对分类依据进行解释。     

一种改进的主成分分析特征抽取算法:YJ-MICPCA

针对主成分分析(PCA)假设数据服从高斯分布的条件以及只能处理特征之间线性关系的不足,提出一种基于Yeo-Johnson变换和最大信息系数(MIC)的PCA特征抽取算法,命名为YJ-MICPCA。通过YeoJohnson变换改善原始数据分布,使其近似服从高斯分布,并将PCA中计算协方差矩阵转化为计算MIC矩阵的平方,使其也能处理特征间存在的非线性关系。以UCI机器学习数据库中的11个数据集为实验对象,采用支持向量机、朴素贝叶斯模型、k近邻算法这3种分类器,比较了YJ-MICPCA与PCA及其他常用非线性降维方法LLE、Isomap、MSD、KPCA的降维效果和分类精度,结果表明YJ-MICPCA总体上优于其他几种算法。     

神经网络BP算法用于三类基本波形分类时训练样本输入方式的研究

为了进一步研究神径网络BP葬法用于摸式分类时网络的性能,本文采用了四种方式向多层神经网络提供训练样本,并相互进行比较,结果衣明:随机输入法和部分输入法的输入方式为较佳,从而说明了训练样本的翰入方式对神经网络的性能有着直接的影响.