基于样本密度和分类误差率的增量学习矢量量化算法研究

作为一种简单而成熟的分类方法,K最近邻(K nearest neighbor,KNN)算法在数据挖掘、模式识别等领域获得了广泛的应用,但仍存在计算量大、高空间消耗、运行时间长等问题.针对这些问题,本文在增量学习型矢量量化(Incremental learning vector quantization,ILVQ)的单层竞争学习基础上,融合样本密度和分类误差率的邻域思想,提出了一种新的增量学习型矢量量化方法,通过竞争学习策略对代表点邻域实现自适应增删、合并、分裂等操作,快速获取原始数据集的原型集,进而在保障分类精度基础上,达到对大规模数据的高压缩效应.此外,对传统近邻分类算法进行了改进,将原型近邻集的样本密度和分类误差率纳入到近邻判决准则中.所提出算法通过单遍扫描学习训练集可快速生成有效的代表原型集,具有较好的通用性.实验结果表明,该方法同其他算法相比较,不仅可以保持甚至提高分类的准确性和压缩比,且具有快速分类的优势.

基于声学融合特征的说话人分类方法研究

说话人分类系统的目的是将声音数据分段并按说话人进行分类。对每个说话人提取基于多距离麦克风的多时延特征,可以进一步提高说话人分类系统性能。但随着麦克风个数增加,多时延特征向量维数迅速增长。针对该问题,采用保留特征流形结构并降低计算代价的方法,提出一种基于多距离麦克风融合声学特征的多分量鉴别式保局投影算法,利用支持向量机分类器进行两说话人分类系统的训练和测试,实现会议场景下的说话人分类。实验结果证明,与传统DLPP等算法相比,该算法在大部分数据集上的分类性能较优,可将分类误差率降低至20%以下。

BP神经网络在企业财务预警中的应用

根据预警系统体系指标的要求,对企业财务预警指标进行了筛选。采用BP神经网络预测与Adaboost算法相合的分析方法,对采集的样本数据建立了强分类器并进行了分类误差分析研究,完成了公司财务预警系统分析。结果表明:用BP_Adaboost分类算法建立的强分类器的分类误差率低于仅用BP算法建立的弱分类器的分类误差率,此法具有可行性和一定的计算精度,能为企业财务预警提供一定的理论指导。