k-means和逻辑回归混合策略的不平衡类学习方法

不平衡类问题在现实生活中普遍存在,表现为一个类的实例数明显多于另一个类的实例数,其类分布不平衡这一特征导致了传统的分类方法不能很好地处理该类问题.本文将k-means和逻辑回归模型相结合,提出一种叫做ILKL(Imbalanced Learning based on K-means and Logistic Regression)的算法处理不平衡类问题.首先,ILKL使用聚簇方法将多数类划分成一个个子簇,以重新平衡数据集,然后在相对的平衡的数据集上学习逻辑回归模型.UCI数据集上的实验结果显示,与传统方法相比,本文方法在召回率、g-mean和f-measure等指标上表现出更好的性能.

基于聚类分析的关联规则挖掘方法

从数据集中挖掘数据间的相互关系及其关联规则是数据挖掘研究领域的核心内容之一,为了挖掘实体表现出的数据特征与实体具备因素间的关系,提出了一种挖掘方法。先采用聚类分析的方法对实体的数据进行了聚类,再通过关联分析的方法分析聚类簇中实体的因素,继而得出实体具备的因素与实体数据间的相互影响及其关联规则。通过该方法分析了学生具有的因素对学生学习成绩的影响,分析结果表明了方法的可行性。

基于灰色系统理论的相关反馈图像检索算法

探讨了灰色系统理论在相关反馈图像检索中的应用,提出了一种基于灰色系统理论的相关反馈图像检索算法,动态地更新查询向量,从而使图像检索结果与人的主观感知更加接近。

基于夹角的二维凸包改进算法

二维凸包问题是计算几何领域的经典问题之一,在地理信息系统中有广泛的应用.在凸包中,位于两凸点之间直线上点也在凸包上,但不是凸点,如何寻找凸点是凸包算法的关键.提出了基于夹角的平面点集凸包改进算法,以最大夹角,按顺时针的方向可得到所有的凸点,当满足最大夹角的点不唯一时,以离当前凸点最远的点为凸点.

Ad Hoc网络中基于遗传蚁群算法的QoS多播路由算法

利用遗传算法的快速全局搜索能力和蚁群算法的正反馈收敛机制,把蚁群算法和遗传算法融合起来,提出了一种遗传蚁群算法(GAAC)来解决Ad Hoc网络中QoS路由问题。首先利用遗传算法生成信息素分布,然后用蚁群算法求精解,优势互补,期望获得优化性能和时间性能的双赢。并针对算法应用于Ad Hoc网络QoS路由普遍产生的拥塞问题,采用拥塞回避的策略,从而实现网络业务流负载均衡。仿真表明该算法比其它单一采用蚁群算法进行路由选择更适合于动态AdHoc网络环境。

不平衡类分类问题的逻辑判别式算法

针对不平衡分类问题,提出了逻辑判别式算法.该算法使用拟牛顿法迭代求解模型参数,考虑模型的准确率和召回率,构造了新损失函数(Likelihood Estimation and Recall Metric,LERM);设计了用于不平衡类问题的逻辑判别式算法(Logistic Discrimination Algorithms for Imbalance,LDAI).16个数据集上的实验结果表明,与传统的逻辑判别式、基于过采样和欠采样的逻辑判别式相比,LDAI模型在召回率、f-measure、g-mean等指标上都表现出明显优势.

一种基于解区域的感知器改进算法

分析了感知器算法解空间的几何特性,提出了一种基于解区域的感知器改进算法.若模式线性可分,可在解区域中求得较优解向量;若线性不可分,则指出不存在解区域.实验结果表明,该算法能很快判别模式是否线性可分,并能有效解决算法的收敛性问题,提高了计算速度.

基于灰度直方图和投影技术的图像检索算法

本文提出了基于灰度直方图和投影技术的图像检索算法,该算法既考虑了图像的灰度信息,又考虑了图像的空间信息。通过对灰度向量、投影向量及中心矩的计算,提高了检索效果。实验结果表明,该方法可有效提高图像检索精度和效率。

一种新的基于距离的感知器算法

分析了模式空间中解向量和法向量的关系,提出了一种新的基于最短距离的感知器算法。并对该算法和最小平方误差法以及变步长学习法进行了分析和比较。结果表明,在线性可分的前提下,该算法有效解决了收敛性的问题,提高了计算速度。

一种小波分形混合图像编码算法

结合小波变换与分形编码技术,提出了一种基于小波变换的分形图像混合编码算法.通过实验比较,该算法在图像编码时间和压缩比方面均取得了良好的效果.

基于带回溯传播信息和编码技术的求解传递闭包方法

求解传递闭包问题是计算机科学中的一经典问题．文章提出了一种新的传递闭包算法，并导出了若干理论结果，能够将任一关系图化为左偏序图，它是基于带回溯传播信息和编码技术的深度优先搜索算法，该算法效率高，且易于实现．

一种基于逻辑判别式的稀有类分类方法

基于逻辑判别式(LD,Logistic Discrimination),提出一种叫做LDRC(LD based Rare-class Classification)方法用于提升LD在稀有类问题中的泛化性能.为了充分考虑稀有类的特性,构建了一种新目标函数RPM(Recall and Precision based M etric),其同时考虑正类和负类的召回率以及正类的精度,其中正类和负类的召回率用于保障模型在评估指标召回率以及g-mean(正类和分类的召回率的几何平均数)上具有较高的泛化能力,正类的召回率和精度用于保障了模型具有较高的准确率以及fmeasure值(基于正类召回率与精度的指标).LDRC使用RPM作为目标函数监督参数学习过程,以保障LDRC具有较高的整体泛化能力.UCI数据集上的实验结果表明,与传统的逻辑判别、基于过采样和基于欠采样的逻辑判别相比,LDRC模型在评价指标召回率、g-mean和f-measure上都表现出明显优势.

基于遗传算法的自适应最优阈值图像分割技术研究

本文通过对遗传算法搜索过程的改进与优化,采用了变异概率随适应度自动改变的自适应变异方法,提出了一种改进的基于遗传算法的自适应最优阈值图像分割算法。实验结果表明,该算法的收敛性能与分割效果都优于标准遗传算法。

SNMP与移动Agent两种网络管理模式比较

通过响应时间和网络流量两方面对两种网络管理模式进行分析比较,认为基于移动的Agent网络管理方案的优势在于:采用分布式计算技术减少了网络中的信息流量,增强了网络管理功能的灵活性及可扩展性,克服了SNMP网络管理的局限性,能够适应管理功能的发展和变化需要。

一种基于森林模型的光伏发电功率预测方法研究

为了有效预测光伏发电站发电功率,提高预测精度,给出一种基于森林预测模型FPPG(Forest for Photovoltaic Power Generation)。FPPG是一个由多个回归树组成的集合预测模型。在学习阶段,FPPG首先随机抽样方法构建有差异的训练数据集,进而在不同的训练集上构建有差异的回归树。在预测阶段,首先,FPPG将输入信息沿着每棵树的某条路径分派到相应的叶结点,使用这些叶结点预测发电量,然后,平均这些预测结果得到FPPG对发电厂系统发电量的预测。在实测运行数据集上的实验结果表明,较之于神经网络,FPPG同时表现出更高的预测准确性,从而提高了光伏发电功率预测精度。

基于二维凸包的TSP算法

二维凸包是指包含平面点集的最小简单多边形,广泛应用于GIS。将二维凸包与TSP相结合,提出了基于二维凸包的TSP算法,首先快速凸包算法构造城市点集的凸包,该凸包是经过部分城市点且其余点都在其内部的回路。其次将其余的城市点依次插入回路形成新回路,使新回路的长度增量最小,直至所有的城市点都在回路上。在TSPLIB中的典型实例上的实验结果表明,该算法比简单遗传算法更快得到问题的近似解。

面向类不平衡的逻辑回归方法

作为机器学习和模式识别中最重要的分类模型之一,逻辑回归(LR)具有较好的可解释性、泛化性.文中将该模型应用到类不平衡问题中,提出面向类不平衡的逻辑回归方法(LRCI)以处理数据不平衡问题.为了充分考虑数据不平衡性,分别构造基于g-mean的目标函数(GBM)和基于f-measure的目标函数(FBM),监督LRCI学习模型参数,进而有效保证学习到的模型同时具有高准确率和召回率.UCI数据集上的实验表明,LRCI在保持LR高准确率的前提下,有效提高它的召回率、g-mean和f-measure.与其他类不平衡分类模型相比,LRCI表现出较明显优势.

面向对象的改进遗传算法优化设计

为提高遗传算法的优化求解性能,从4个方面对遗传算法进行改进:即对障碍项及惩罚项因子的动态变化实现适应度函数的动态变化;对约束函数规格化处理以提高算法的搜索稳定性和算法的收敛速度;采用共享函数的方法使进化个体极易跳出局部最优而达到全局收敛;控制参数的动态变化以适应进化过程不同时期的需要.整个改进措施以面向对象的方法加以实现,并通过单级圆柱齿轮减速器设计实例验证,结果表明相对于常规优化算法,改进后的遗传算法使减速器体积减小25.8%,相比传统遗传优化算法使减速器体积减小5%,从而表明该改进遗传算法具有较高的优化求解效果.

面向非平衡类问题的k近邻分类算法

针对k近邻(k NN)方法不能很好地解决非平衡类问题,提出一种新的面向非平衡类问题的k近邻分类算法。与传统k近邻方法不同,在学习阶段,该算法首先使用划分算法(如K-Means)将多数类数据集划分为多个簇,然后将每个簇与少数类数据集合并成一个新的训练集用于训练一个k近邻模型,即该算法构建了一个包含多个k近邻模型的分类器库。在预测阶段,使用划分算法(如K-Means)从分类器库中选择一个模型用于预测样本类别。通过这种方法,提出的算法有效地保证了k近邻模型既能有效发现数据局部特征,又能充分考虑数据的非平衡性对分类器性能的影响。另外,该算法也有效地提升了k近邻的预测效率。为了进一步提高该算法的性能,将合成少数类过抽样技术(SMOTE)应用到该算法中。KEEL数据集上的实验结果表明,即使对采用随机划分策略划分的多数类数据集,所提算法也能有效地提高k近邻方法在评价指标recall、g-mean、f-measure和AUC上的泛化性能;另外,过抽样技术能进一步提高该算法在非平衡类问题上的性能,并明显优于其他高级非平衡类处理方法。

针对视频运动补偿帧率提升篡改的主动混噪取证算法

运动补偿帧率提升(MC-FRUC)是常见的视频时域篡改手段。现有方法依靠被动分析视频统计特征发现MC-FRUC篡改,然而,视频统计特性的非平稳性影响了取证性能的稳定性。该文提出一种主动混噪取证算法,通过预先混入统计特性已知的高斯白噪声,提高MC-FRUC取证的准确度。首先,利用伪随机序列生成高斯白噪声,加入原始视频序列。接着,由小波系数的绝对中位差预测各视频帧中混入高斯噪声的标准差。最后,检测高斯噪声标准差的时域变化周期性,通过硬阈值判决,自动甄别MC-FRUC篡改。实验结果表明,针对不同的MC-FRUC伪造方法,提出算法均表现出良好的取证性能,尤其是当采用去噪、压缩等操作后处理视频后,提出算法仍能确保较高的检测准确度。