基于粗糙集的增强学习型分类器

为了提高分类的精确度,提出一种基于粗糙集理论的增强学习型分类器。采用分割算法对训练数据集中连续的属性进行离散处理;利用粗糙集理论获取约简集,从中选择一个能提供最高分类精确度的约简。对于不同的测试数据,由于离散属性值的变化,相同的约简可能达不到最高的分类精确度。为克服此问题,改进了Q学习算法,使其全面系统地解决离散化和特征选择问题,因此不同的属性可以学习到最佳的分割值,使相应的约简产生最大分类精确度。实验结果表明．该分类器能达到98％的精确度．与其它分类器相比．表现出较好的性能。     

基于监督拉普拉斯特征映射算法的人脸识别

为了提高人脸识别算法的识别率,提出了一种基于局部奇异值分解(Local Singular Value Decomposition,LSVD)和监督拉普拉斯特征映射(Supervised Laplacian Eigenmap,SLE)的人脸图像识别方法。由于奇异值向量具有良好的稳定性、转置不变性等特点,首先利用局部奇异值分解方法从人脸图像中提取特征向量;然后采用监督拉普拉斯特征映射算法对已获取的人脸特征进行维数约简。在Yale和ORL人脸库上的实验结果表明,该算法能有效地提高人脸识别的性能。