基于分类的VSM模式下文本检索研究

本文针对向量空间模型下文本检索存在的几个问题进行了研究和探讨。在文本聚类模式下提出了特征项选取的改进方法；对TF—IDF因子提出了位置参数加权模式；对信息需求表达模糊、数据稀疏等问题总结了解决的方法。     

基于潜在语义空间的文本检索问题研究

本文针对潜在语义空间模型下文本检索存在的问题进行了研究；对LSI／SVD方法的理论及问题进行探讨，对文本一特征项矩阵加权方式进行了改进，对文本的聚类提出了k—means截尾算法，对原始向量空间降秩后的语义空间维数的确定提出了解决方法。     

分析SVM在变压器保护方面的应用

可靠、快速地鉴别内部故障和励磁涌流条件,仍然是一个具有挑战性的问题。本文我们将讨论支持向量机(SVM)对变压器差动保护方面的应用。为了取得不同令人满意的分类强度我们将充分考虑各种输入向量和训练参数。最后,分析不同版本的SVM分类器,测试基于支持向量机电力变压器保护的装置的EMTP-ATP生成的信号。已经设计完成的支持向量机分类器和标准的差动保护用传统二次谐波稳定的方法在性能上进行了比较。而且,我们对提出的支持向量机在潜在的硬件实现上进行了分析。     

SVM增量学习算法研究

支持向量机（support vector machine）是一种建立在结构风险最小化原则基础上的全新机器学习方法,具有很强的学习能力和泛化性能,能够较好地解决小样本、高维数、非线性、局部极小等实际问题。虽然支持向量机较其它学习方法在很多方面都具有难以比拟的优越性,但是作为一种新型的技术,支持向量机目前仍然具有一些局限性,尤其是它在支持增量式学习方面还不够好,所以对向量机进行增量学习有着一定的必要性。一方面,由于使用者在训练初期对问题理解的局限性以及问题的高度复杂性,一般很难精确地定义所要的完整的训练集;另一方面,要在初期就收集一个非常完整的训练集是非常困难甚至是难以实现的。本文基于以上的思想对支持向量机增量学习进行研究,通过对原有算法的研究找到一个新的支持向量机增量学习算法。     

基于支持向量机和决策融合的人脸检测

针对灰度图像中的人脸检测问题,提出了一种基于多种支持向量机的决策融合检测方法。该方法首先用传统的二类支持向量机(C—SVM)和单类支持向量机(One-Class SVM)分别对图像进行检测,然后决策融合两种分类器的检测结果。在MIT CUM人脸库上的实验结果表明,该方法具有良好的检测效果和较低的虚警率。     

矩阵特征值求解方法

设A是一个n×n对称矩阵,要解的问题是求出特征值λ和对应的n维向量v,使Av=λv,此问题已有许多方法可解.本文提出一个可对角化的解法,同时对求解向量方程Av=λBv(其中v是向量,B是n×n阵)的特征值和特征向量,提出可化为对称情形的一般特征值问题求解。     

基于Web的文本检索位置加权模型研究

本文分析了传统向量空间检索模型在Web环境下的不足，提出了两种改进的线性加权模型及非线性加权模型；实验结果表明，两种模型的文本检索能力相比传统向量模型都有较大提高。     

基于最小二乘支持向量机的轴承故障诊断研究

针对神经网络在轴承工作状态诊断中存在的问题,提出了将最小二乘支持向量机用于轴承的智能诊断。基于轴承故障信息,用最小二乘支持向量机方法建立多类故障分类器,以实现对故障的诊断。仿真证明:小样本情形下,最小二乘支持向量机比神经网络具有更好的识别和诊断准确率。     

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。     

圆锥曲线与平面向量交汇问题研究

平面向量既具有代数形式又具有几何形式的特征,而且与圆锥曲线交汇能有效的考查学生的数形结合思想、化归思想、分析法与综合法等数学思想和方法,能加强高中数学各分支之间知识的联系,开拓解题视野,提高学生的数学解题能力和水平。该文通过查阅大量的相关资料,在多方了解国内现状的基础上,结合自己多年的教学实践经验,给出了平面向量与圆锥曲线在求动点轨迹、求待定字母值、探索点线的存在性、求相关量的取值范围及证明定值问题等五个方面提出了平面向量与圆锥曲线交汇的解题策略,既弥补了数学新教材第八章《圆锥曲线方程》未涉及平面向量的不足,又引起教者与学者的重视,同时也给教者和学者学习和研究圆锥曲线问题提供了一些好的方法和建议。