基于半监督学习的客户信用评估集成模型研究

将半监督学习技术与多分类器集成模型Bagging相结合,构建类别分布不平衡环境下基于Bagging的半监督集成模型(SSEBI),综合利用有、无类别标签的样本来提高模型的性能.该模型主要包括三个阶段:(1)从无类别标签数据集中选择性标记一部分样本并训练若干个基本分类器;(2)使用训练好的基本分类器对测试集样本进行分类;(3)对分类结果进行集成得到最终分类结果.在五个客户信用评估数据集上进行实证分析,结果表明本研究提出的SSEBI模型的有效性.     

科研动态搜索引擎的自动分类方法研究

随着搜索引擎应用的不断深入,人们对搜索引擎的个性化需求越来越多,对搜索结果的要求也越来越越高,如何实现高精准的垂直领域信息搜索和推荐是目前搜索领域所面临的难题。科研动态是科研工作者非常关心的信息,为提供更高效精准的科研动态信息,本文将基于半监督的分类方法用于科研动态信息的自动分类,用于科研动态搜索引擎系统,实现科研动态信息按用户需求精准搜索和推送,通过实例验证分类方法的有效性。     

限制性半监督谱聚类算法

限制性聚类是一种试图将用户监督信息加入到已有聚类算法中的一种分类技术,目前已经被广泛应用于K-means算法和层次聚类算法中.在本文中,提出一种将限制条件加入到谱聚类算法的半监督聚类方法,利用正约束和负约束限制来构造约束矩阵,通过它们来引导聚类过程,并结合最优化技术,达到聚类的目的.数据实验验证了这种方法具有很好的精确度.     

基于灵敏度遗传算法的框架连接刚度识别

在现有的灵敏度遗传算法的基础上,采用现有的节点损伤模型,以单元的节点固结系数为待识别变量,进一步将该算法应用于框架梁柱连接刚度识别。算例分析结果表明,灵敏度遗传算法与常规遗传算法相比,具有更高效率和精度。     

基于K-means和Label Propagation的半监督网页分类

提出基于图的半监督学习算法,即类别传播算,结合K均值算法改进,用于网页分类。该K均值类别传播方法使用欧式距离的建立带权∈NN图。在这个图中,图节点表示已标记或未标记的网页,边上的权重表示节点的相似度,已标记节点的类别沿着边向邻居节点传播,从而将网页分类问题形式化为类别在图上的传播。结合K均值方法,提高了计算速度以及图方法的归纳能力,经UCI数据集测试,结果表明,此算法比类别传播算法有更好的性能,能够有效地用于半监督网页分类。     

小样本条件下的半监督遥感影像分类方法研究

遥感图像监督分类需要充足精确的标注数据训练分类器,然而数据标注需要人工参与,很多任务难以及时获得符合要求的监督信息,不利于影像分类。半监督学习是一种利用少量标注数据和大量未标注数据共同训练分类器的机器学习方法,能从机理上减少人工参与,提高效率。本文引入一种半监督方法——平方损失互信息归一化模型(squared-loss mutual information regularization,SMIR)实现遥感图像分类。实验结果表明,在小样本监督信息的条件下,SMIR能够利用标注数据与未标注数据,直接构建多类分类器,其影像分类结果优于经典的支持向量机(support vector machine,SVM)方法。     

一种改进半监督学习的图像语义自动识别方法

针对大量不相关的冗余特征制约图像关键特征分类性,导致语义识别模型出现偏差的问题,提出一种混合约束的半监督图像语义特征选择方法。在半监督学习的基础上,算法采用成对约束和数据清洗相结合的特征评价方法快速去除不相关图像干扰特征,聚类过程中考虑可转换语义直接的特征相关性,保证语义特征正确。实验结果表明,与传统的语义特征识别方法相比,该方法能以更少的特征获得更好的语义特征分类性能,有更好的识别效果。     

基于聚类分析的武器目标分配问题求解

利用伪并行遗传算法与K-均值聚类算法结合解决武器目标分配问题,将目标威胁值的分配问题转化为目标的分类问题.在采用聚类分类算法的基础上,使用伪并行遗传算法对分类结果进行优化,克服了K-均值聚类算法分类局限性,提高了全局搜索能力,达到了局部收敛速度与全局收敛性能的统一.在已知目标威胁值的情况下,利用遗传算法完整解决了WTA问题.通过仿真程序实现,验证了算法的可行性,由此为作战仿真CGF技术中的武器目标分配问题的解决提供了方法.     

基于决策树算法的专利发明人姓名消歧研究

为了实现高质量的数据清洗,提升专利数据构建网络的准确性,发明人的姓名消歧已经成为目前国内外众多研究者重视的关键性问题。本文根据中文姓名的特殊性,选取专利数据中分层抽样采集到的400个姓名对,使用半监督学习算法,以特征向量（如分类号相似度）为信息提取源,构造基于决策树C4.5算法的分类模型,识别姓名歧义问题,并对分类模型的准确率与可靠性进行了评估。以国内通讯行业专利数据为实例的研究表明：采用该分类模型进行清洗能够有效提升数据清洗的效率和精确度。     

基于交互式遗传算法的网站信息分类体系交互设计

本文在介绍交互式遗传算法的基础上,提出了基于交互式遗传算法网站信息分类体系交互设计的基本思路;并采用JSP实现了MVC模式下网站信息分类体系交互设计程序。     

融合半监督及无监督算法的视频前景对象自动分割

为了提高视频前景对象分割的效率,设计了一个融合半监督及无监督算法的视频前景对象自动分割方法。计算视频帧中超像素,建立视频前景模型更新机制用来调节阈值和环境复杂性。将鬼影作为视频背景进行分类,同时更新背景模型,建立前景的统计图谱,对背景的相似度进行了二次判别。检测视频前景对象阴影,在此基础上,建立象素级别的交叉熵损失函数,对候选区域集成。采用融合半监督及无监督算法对视频前景对象自动分割,以此实现融合半监督及无监督算法的视频前景对象自动分割。实验对比结果表明,此次研究的视频前景对象自动分割方法有效提高了分割效率,并提高了分割全局正确率以及分割轮廓精准度,满足了视频前景对象自动分割需求。     

决策树分类器融合在CRM客户分类中的应用研究

将多分类器融合技术用于CRM中的客户分类研究,以提高分类性能。以决策树作为基本分类器,引入最小二乘技术进行多分类器线性融合。实证结果显示,4种不同的融合方案的分类性能均胜过任一基本分类器,甚至优于基于遗传算法的神经网络融合分类结果,从而表明了该方法的可行性和有效性。     

改进的支持向量机的DNA序列分类方法

针对传统的支持向量机在分类中不能够逼近任意的分类界面,而造成分类精度低的问题,本文在传统的支持向量机核函数基础上,提出了一种基于遗传算法优化的支持向量机结构模型,并将该方法应用在DNA序列分类上。实验结果表明了本文算法在同等条件下要比传统的SVM分类方法具有更加优越的特征提取性能。     

基于多分类器联合的遥感图像监督分类方法研究

遥感图像分类是遥感图像处理的一个重要内容,根据遥感图像监督分类方法适用范围不同且分类机制各有优劣的特点,将多分类器联合对遥感图像进行分类,结果表明,与单一分类器的分类结果相比,多分类器结合的监督分类技术能有效提高遥感图像专题信息提取的精度。     

混合决策树/遗传算法的数据挖掘

混合的决策树/遗传算法的核心思想集中在数据挖掘的小析取式问题上。此算法的基本理论是属于大析取式的例子用决策树产生的规则进行分类,而那些属于小析取式的例子用遗传算法产生的规则进行分类。     

MATLAB下GA工具箱和ANN工具箱联合使用的实现技术

简述了以遗传算法GA训练神经网络的优点和原理,探讨了利用MATLAB提供的神经网络工具箱和遗传算法工具箱实现遗传算法训练BP人工神经网络的技术,以一个生物基因表达谱分类实侧进行了例证,实验结果证明本研究提出的方法切实可行。     

基于协同进化遗传算法的主题信息采集研究

利用改进的协同进化遗传算法,使全局搜索与局部搜索、全局收敛性与收敛速度有机地统一起来,并将之应用到主题信息采集的研究中,实例结果表明具有较好的分类预测能力.     

基于ETM＋影像的凌源市土地利用遥感分类方法的研究

本文以辽宁省凌源市为研究对象,采用RS技术,以ETM＋数据为信息源,使用ENVI遥感影像处理软件进行数据处理,对凌源市土地利用类型进行分类,并对分类结果进行精度比较分析。分类的方法包括非监督分类,监督分类的最大似然法分类以及决策树分类。采用混淆矩阵法对三种分类结果进行精度分析。结果表明,非监督分类与最大似然法分类的总体精度分别为84.34%、85.82%,精度不高。在决策树分类中,对数据进行地物光谱特征分析、NDVI特征分析、主成分分析并结合DEM数据,建立一棵比较合理的决策树,总体分类精度达到90.65%。     

改进WEB数据挖掘方法及其在个性化推荐中的应用

个性推荐系统在数字图书馆中具有良好的发展和应用前景,逐渐成为电子资源智能处理的一个重要研究内容。提出了一种基于遗传算法的改进WEB数据挖掘方法,同时将该方法应用到数字图书馆中电子资源的个性化推荐中。实验结果表明,本文方法适用于大规模文本数据集;该方法提取规则的分类正确率较高,分类速度较快;本文方法极大地提高了文本挖掘系统的分类效率。     

基于协同进化遗传算法的 SOFM 神经网络及其应用

针对遗传算法优化SOFM神经网络的不足,提出利用合作型协同进化遗传算法实现SOFM 神经网络优化的方法。其基本思想是：针对SOFM神经网络中存在的“死神经元”现象,在SOFM 神经网络中引入全局搜索能力很强的合作型协同进化遗传算法,这样既解决了分类结果对样本输入顺序的过分依赖,又实现了SOFM 神经网络在竞争过程中的全局最优性。将新算法用于矿井突水水源判定问题,结果表明,该算法具有较好的全局收敛性,且可在很大程度上避免“死神经元”现象。