基于RUSBoost和积矩系数的神经网络优化算法

针对单个神经网络分类准确率低、RUSBoost算法提高NN分类器准确率耗时长的问题,提出了一种混合RUSBoost算法和积矩系数的分类优化算法。首先,利用RUSBoost算法生成m组训练集;然后,依据Pearson积矩系数计算每组训练集属性的相关程度消除冗余属性,生成目标训练集;最后,新的子训练集训练神经网络分类器,选择最大准确率分类器作为最终的分类模型。实验中使用了四个Benchmark数据集来验证所提算法的有效性。实验结果表明,提出的算法的准确率相较于传统的算法最多提升了8.26%,训练时间最高降低了62.27%。

基于用户情境和时序多样性的协同过滤优化算法

目前针对协同过滤算法的主要研究工作集中在如何更准确地预测用户对未知商品的评分,然而衡量推荐质量的标准并不限于预测准确率,推荐列表的多样性也是诸多衡量因素之一。该文将用户情境引入到传统协同过滤推荐算法中,在评分预测阶段考虑用户所处的内部情境,对预测评分进行加权,以保证推荐结果符合用户偏好;在生成推荐阶段,基于外部情境对推荐候选项加权重排,提高推荐列表的时序多样性。实验结果表明,与其他多样性优化方法相比,基于用户情境的方法在保持推荐准确率的同时,能够有效提高系统推荐结果的时序多样性。

结合四元数与最小核值相似区的边缘检测

目的针对传统彩色图像边缘检测方法中未充分利用图像色度信息、颜色模型间非线性转换过程中时间和空间的大量耗费、算法实现复杂等问题,将四元数引入最小核值相似区(SUSAN)算法中,提出一种RGB空间下的结合四元数与最小核值相似区的边缘检测算法。方法该算法首先对彩色图像进行四元数描述,然后用改进的SUSAN算子进行边缘检测。针对其中单一几何阈值g的限制,以及检测出的边缘较粗等问题,本文采用Otsu算法自适应获取双几何阈值,再对弱边缘点集进行边缘生长,最后根据USAN重心及其对称最长轴来确定边缘局部方向,实现对边缘点的局部非极大值抑制,得到最终细化后的边缘图像。结果实验选取1幅合成彩色图像及3幅标准图像库图像,与彩色Canny算法、SUSAN算法,及采用单阈值的本文算法进行对比,并采用Pratt品质因数衡量边缘定位精度。本文算法能够检测出亮度相近的不同颜色区域之间的边缘,且提取的边缘比较连续、细致,漏检边缘较少。与公认边缘检测效果较好的彩色Canny算法相比,本文算法的品质因数提高了0.012 0,耗时缩短了2.527 9 s。结论本文提出了一种结合四元数与最小核值相似区的边缘检测算法,实现了四元数与SUSAN算子的有效融合。实验结果表明,该算法能够提高边缘定位精度,对弱噪声具有较好的抑制能力,适用于对实时性要求不高的低层次彩色图像处理。