一种基于标签相关性的多标签分类算法

针对基于概率统计的ML-kNN算法只能对每个独立的标签进行分析,忽略了真实世界中标签间的相关性,提出了一种联系标签相关性的ML-kNN算法(S-ML-kNN)。该方法对训练集进行扩展,并按照标签间的二阶组合来构造新的标签,融合了标签之间的相关性。实验结果表明,S-ML-kNN算法优于ML-kNN算法。

数据库理论教学中关联规则与函数依赖之间联系的探讨

针对Apriori算法必须耗费大量的时间来处理规模巨大的候选项目集等问题,提出一种基于数据依赖的关联规则挖掘算法ARMAFD。该算法利用函数依赖所隐含的属性间联系来缩小候选项目集的规模,提高了算法的效率,丰富了函数依赖的教学内涵,同时也为关联规则的挖掘提供了一种新的途径。实验结果表明ARMAFD算法是有效可行的。

基于全同态加密的决策树构造方法

决策树分类是从一组无次序、无规则的事例中推理出分类规则,从根到每个叶子节点的一条路径就对应着一条分类规则。隐私保护是决策树构造中的一个重要研究课题,任意一个站点都不愿意透露自己的隐秘的数据给其它站点,目前大多数的隐私保护技术都受制于有限的保护凭证和大量的计算耗费。为此,提出一个基于全同态加密协议的决策树构造方法,该协议对数据进行离散化、加密、同态运算。方法允许两个站点之间安全有效的交互各自的数据,达到隐私保护的目的,并能构造出相应的决策树。实验结果表明算法是有效的。

一种自适应加权SpPCA单样本人脸识别算法

子模式主成分分析(SpPCA)算法忽略了人脸不同分块应该具有不同的重要性。为了解决此问题,提出一种自适应加权SpPCA单样本人脸识别算法,对人脸图像的不同分块自适应地计算其权重。算法对人脸进行分块,按照SpPCA算法将各个分块投影到特征脸的基坐标上,并以每个模块LBP编码的纹理图像信息熵来表征该模块的权值;将模块的权重赋予该模块的特征脸投影,并得到最终分类结果。实验在Yale B和扩展Yale B人脸数据集上进行测试。实验表明,该算法得到了较好的识别结果,有效地弥补了SpPCA算法的不足。

基于模糊规则的学习者认知水平估算方法

认知水平估算是远程学习系统中实现学习导航和知识推荐的一个重要依据。针对现有的估算方法存在计算方式单一、逻辑推理简单等问题,提出了一种用模糊集表示认知水平等级,以记忆量为判断标准、试题难度和做题时间为影响因素,通过模糊推理产生对认知等级不同的影响参数,并利用影响参数和改进的SherlockⅡ方法修改认知水平的等级隶属度的方法。通过和其他方法比较,得出本方法逻辑合理、计算简便,能够合理地反映学习者的认知过程。