基于熵的多尺度决策表最优尺度选择

为了能表示数据的层次结构,Wu和Leung从粒计算的角度提出了一种新的数据表示方法称为多尺度决策表,并提出了最优尺度的定义,在最优尺度上进行属性约简、规则获取等任务可以提高知识发现效率.但是Wu和Leung所提出的基于协调性的最优尺度选择的方法在面对不协调的多尺度决策表的时候,仅考虑广义决策而忽视了不协调的多尺度决策表决策规则置信度的变化.针对这个问题,本文提出了基于熵的最优尺度选择的方法,该方法无需判断多尺度决策表的协调性,就可以获取保持决策规则置信度的最优尺度.

自适应稀疏表示引导的无监督降维

挖掘并保持数据分布信息是无监督降维的核心问题,为解决传统无监督降维方法大多数只考虑数据分布的局部信息或者全局信息,数据分布信息在低维空间难以保持的缺点,提出一种同时考虑数据分布的全局和局部信息的自适应稀疏表示引导的无监督降维(adaptive sparse representation guided unsupervised dimensionality reduction,ASR_UDR)方法.用稀疏表示挖掘高维空间数据分布的全局信息,通过约束投影后的数据保持图上的平滑性,挖掘数据分布的局部信息,并将这两个过程统一到一个框架中,使之相辅相成,实现数据分布信息的自适应挖掘和数据降维.在WarpAR10P、USPS、MultiB、DLBCLA和DLBCLB数据集上的实验结果表明,与已有的同类无监督降维方法相比,所提方法在显著减少数据维数的同时,可更好地提升后续学习算法的性能.

基于区分矩阵的多粒度属性约简

多粒度是粒计算领域的重要研究方向之一,它在两个或多个不同的粒度下进行问题求解,已经成为解决复杂问题的一种新的范式。属性约简作为粗糙集理论的核心内容之一,已被成功地应用于粒计算、数据挖掘等领域。将多粒度思想应用于属性约简将是一个有意义的研究方向。为此,本文运用粒计算理论中的粒化思想进行属性粒化,构造多个属性粒;然后基于属性粒上的区分矩阵计算属性粒的重要度和属性粒中属性重要度;最后利用这两种重要度设计了一种多粒度属性约简算法。通过在不同的粒中挑选属性,该算法得到的约简结果更具有代表性和差异性。本文利用6个数据集对提出的多粒度属性约简算法的性能进行测试,实验结果表明了提出算法的有效性。

维度增量决策表的区分矩阵属性约简方法

维度增加是数据动态变化的重要类型之一.为了快速有效地计算这类数据的属性约简,基于区分矩阵提出了两种维度增量决策表的属性约简方法:一种方法是通过新加入属性集的信息更新决策表的区分矩阵,并根据更新后的区分矩阵计算新的约简;另一种方法则是通过更新一种新提出的压缩决策表区分矩阵来计算维度增量后的属性约简.这两种方法都可以获得与非增量约简方法相同的结果,同时还可以显著地降低计算维度增量数据属性约简的耗时,其中基于压缩表区分矩阵计算维度增量数据属性约简的方法更为快速.理论分析和实验结果验证了算法的有效性和高效性.

图自适应原型网络的小样本节点分类方法

小样本节点分类旨在让机器从少量节点中学习到快速认知和分类的能力,现有小样本节点分类模型的分类性能容易受到图编码器提取的节点特征不够准确和子任务中支撑集实例的类内异常值的影响.为此,文中提出图自适应原型网络(Graph Adaptive Prototypical Networks,GAPN)的小样本节点分类方法.首先,将图中的节点通过图编码器嵌入度量空间中.然后,将全局重要度和局部重要度的融合结果作为支撑集实例的权重计算类原型,使查询集实例能自适应地学习更鲁棒的类原型.最后,计算自适应任务的类原型与查询集实例之间距离产生的分类概率,最小化分类概率和真实标签间的正间隔损失,反向更新网络参数,学习到更有判别性的节点特征.在常用图数据集上的实验表明,文中方法具有较优的节点分类性能.

一种基于带核随机子空间的聚类集成算法

随机子空间聚类集成通过属性随机采样产生属性子空间,并将子空间上的基聚类结果进行集成得到最终聚类结果.在这一过程中,子空间产生的随机性虽然为聚类集成提供了很大的差异度,但是无法保证基聚类结果的有效性,这是因为随机产生的子空间有可能只包含极少的重要属性.针对这一不足,提出了一种带核随机子空间生成策略:首先依据粗糙集理论中的互补互信息选出对于刻画数据集整体信息至关重要的属性子集,作为每个属性子空间的"核心",再从剩余属性集中随机选择一定数量的属性与核心属性共同构成聚类子空间.这种策略在兼顾子空间之间差异性的同时也提高了每个属性子空间对数据整体信息的刻画能力,从而得到更好的聚类集成结果.在大量UCI数据集上的实验证实了所提方法的合理性和有效性.

南委泉村建设新农村成绩显著

南委泉村地处山西省长冶市黎城县北部山区，紧邻207国道，交通便利，总人口2938人，土地2400余亩。自2005年起，南委泉村不断加大新农村建设力度，取得了显著成绩。