可分线性哈密顿系统显式辛格式的守恒量

证明了对可分线性哈密顿系统的每个二次形守恒量，１阶和２阶显式辛格式存在对应的格式守恒量；由此可说明，步长适当小时，１阶和２阶显式辛格式保持量子系统的波函数模方守恒，是直接求解时间相关Ｓｃｈｒｄｉｎｇｅｒ方程（ＴＤＳＥ），以研究量子系统时间演化的合理和有效的数值方法。

目标识别中SVM线性可分性研究

该文主要研究了目标识别中SVM线性可分的充要条件以及线性不可分时软间隔分类的内涵。首先给出了SVM特征空间线性可分充要条件的简洁清晰、物理意义更明确的证明过程,然后证明了SVM特征空间线性不可分情况下,SVM软间隔分类超平面引入惩罚因子的实质,给出了惩罚因子的新解释。

二进神经网络中的汉明球突及其线性可分性

对于二进神经网络,剖析其神经元的逻辑意义对网络的规则提取是十分重要的,而目前每个神经元所表达的线性结构的逻辑意义仍没有完全解决,一部分线性函数的结构及其逻辑意义尚不明确.本文在寻找线性可分结构的过程中,提出了汉明球突的概念,给出其是否线性可分的判定方法,并得到二进神经元与线性可分的汉明球突等价的充要条件,从而建立了判别线性可分的汉明球突的一般方法,并通过实例验证了该方法的有效性.

线性支持向量分类机的平凡解

对二类分类问题,在线性可分或近似线性可分情况下,对线性支持向量分类机的平凡解进行了讨论,得出了解为平凡解的充要条件,说明了其几何意义,指出了避免出现这一现象的解决办法.该充要条件表明:对给定的训练集T,最优解是否为平凡解取决于训练集T的样本点在空间的分布位置,与惩罚参数C值的选取无关.一旦出现平凡解,线性支持向量分类机将会失效.为解决这一问题,可通过增加或减少训练集T中的样本点来实现.

Boole函数的非线性可分性──n-维超立方体的一些计数性质

Boole函数的线性可分和线性不可分问题，一直是前向人工神经网络的一个比较困难的问题，目前仅对变量数n≤7的线性可分问题给予过讨论。本文在文献［1］中所提出的n-维Boole函数分类复杂度定义的基础上，提出了n－维Boole函数容错分类复杂度的概念，并讨论了n-维超立方体的一些计数性质，给出了计数结果，从而为进一步讨论容错分类复杂度为2的Boole函数及其计数问题做了理论上的准备。

一种可分非线性系统的自校正广义预测

对一类可分非线性系统,采用Hammerstein模型的基本框架,用神经网络对非线性部分建模,线性部分采用受控自回归积分滑动平均模型。对此模型的线性部分设计广义预测控制器,得出线性部分的控制量。根据此控制量,引入一逆神经网络,结合原来的神经网络模型,通过对逆神经网络权值的调整,使神经网络模型的输出为线性部分的控制量,同时得到逆神经网络的输出,即非线性系统的控制量。克服了Hammerstein模型中非线性部分的反函数存在性和惟一性的问题。仿真结果验证了该设计的有效性。

线性可分文本的SVM算法研究与改进

在分析SVM算法的二次规划问题及利用可行性方向法求解二次规划问题的基础上,将效率较高的可行性方向法应用于求解SVM算法中的二次规划问题,给出线性可分文本的SVM算法的改进算法,改进后的SVM算法在时间复杂度上有着明显的提高,从而有效提高SVM算法的训练效率。

可分非线性系统的自校正广义预测控制

对一种可分非线性系统,采用Hammerstein模型的基本框架,用神经网络对非线性部分建模,线性部分采用受控自回归积分滑动平均模型。对此模型的线性部分设计广义预测控制器,得出线性部分的控制量。根据此控制量,引入一逆神经网络,结合原来的神经网络模型,通过对逆神经网络权值的调整,使神经网络模型的输出为线性部分的控制量,同时得到逆神经网络的输出,即非线性系统的控制量。文章提出的模型克服了Hammerstein模型中非线性部分的反函数存在性和唯一性的问题。仿真结果验证了该设计的有效性。

基于伪分类超平面的线性可分几何判定方法及应用

针对模式分类中线性可分的问题,文中将模式看作是欧氏空间中的点,研究欧氏空间中点与面的关系等解析几何性质,在一般的分类超平面概念上定义伪分类超平面.根据线性可分等价性,在需降维时进行空间映射.研究根据数据寻找伪分类超平面,给出几何意义明显的线性可分判断方法,在该方法的基础上给出一种分类复杂度的度量方法.实验结果表明,该方法较好地体现数据的分类复杂度.

线性可分结构系对二进神经元的覆盖问题

二进神经网络中每个二进神经元等价于一个线性可分函数,但每个二进神经元所表达的线性可分函数的逻辑意义仍不完全清楚。对此,首先分析了已有的几种线性可分结构系;其次,讨论了其是否覆盖了所有的二进神经元;最后,指出阈值在某些范围内二进神经元所对应的线性可分函数的逻辑意义仍不清楚,这为进一步完善二进神经元的覆盖问题指明了方向。

模式线性可分时的一种单层感知器算法

在模式识别时常常需要对模式进行分类，线性可分模式的分类是其中最基本的一种。常用的线性分类算法是LMSE算法，它们在本质上都属于几何分类法，当模式线性可分时，一般都能达到令人满意的效果。然而考虑到LMSE算法并非是最简单和有效的线性分类算法，本文基于神经网络中单层感知器的概念，利用单层感知器可以把输入空间划分成两个区域来进行输入向量分类的特点，提出了在模式线性可分时用神经网络中单层感知器进行模式划分的一种新算法。然后对该线性分类算法的原理和算法过程进行了阐述，最后甩MATLAB实现了这种分类算法，并解决了两个不同类型的线性模式的划分问题。

一种快速判定原始数据集合线性可分的充分条件

随着机器学习研究的深入,各种各样的分类算法被广泛地应用到现实生活中的各个领域。然而目前的很多分类算法往往需要首先判断原始数据集合是否线性可分,因此关于原始数据集合是否线性可分的判决条件就成了一个研究的热点。针对于现有数据可分性判决算法计算复杂度较高的不足,提出一种判定数据线性可分的充分条件,并在此基础上给出数据可分性的判别算法。理论分析和实例验证说明了提出的数据可分性判别算法是有效的并且具有较低的线性计算复杂度。

可分赋范线性空间中开集、闭集的构造

在一维实空间中开集、闭集构造的基础上,给出了一般可分赋范线性空间中开集、闭集的构造,并进行了证明。

基于线性可分的油井电机控制模型系统优化

线性可分控制油田井下设备电机模型系统在实现基本的线性可分控制系统功能的同时,还要在性能上满足一定的要求,如根据线性可分控制系统的具体处理能力,判定是否采取集群服务方式,或评估采用集群服务方式时线性可分控制服务器的数量。在达到预期性能指标的前提下,采用较为成熟的开发技术来实现线性可分控制系统。线性可分控制投递模块主要是管理客户端连接、线性可分控制订阅关系、线性可分控制投递线程和线性可分控制扫描线程,线性可分控制油田井下设备电机模型系统中采用了两条队列来管理被投递的线性可分控制。

非线性可分文本的SVM算法研究与改进

支持向量机(SVM)算法可用来确定非线性可分文本的待分类文本类别。支持向量机的原始问题可以归纳为一个二次规划问题。当规模较大时,标准的SVM算法训练效率较低。本文在分析SVM算法的二次规划问题及利用可行性方向法求解二次规划问题的基础上,将效率较高的可行性方向法应用于求解SVM算法中的二次规划问题,给出了非线性可分文本的SVM算法的改进算法,改进后的SVM算法在时间复杂度上有着明显的提高,从而有效提高了SVM算法的训练效率。

线性三类分类器

现今的分类器大都是在支持向量机的基础之上构造的,但是这些分类器虽然构建出来了但是缺少很好的几何解释或者没有几何解释。旨在用空间几何来解释三类分类器且主要是针对线性可分的分类问题。

基于线性可分SVM的自动化机床在线故障监测系统设计

针对自动化机床在线故障监测存在的问题,设计一种基于线性可分SVM的故障监测系统。在线监测系统的硬件结构由STM32F103ZET6型单片机、传感器模块、存储器模块、通信模块和显示模块等部分组成;在软件算法流程上,利用线性可分SVM分类器,可以确保数据集到最优超平面的几何间隔最大,同时提升距离最优超平面最近数据点的可信度及对故障样本的分类精度。测试结果显示:设计的系统数据训练收敛速度快,故障数据分类精度高,相对于传统监测系统具有性能上的优势。

感知器神经网络线性可分判断的满足性算法

感知器神经网络有着广泛的应用前景,是人工神经网络的重要组成部分。同时感知器神经网络对与现代计算机新的硬件设计也有重要研究意义。感知器神经网络的线性可分判断是感知器领域一个重要的研究内容。文章对满足性问题进行研究,把满足性算法应用于感知器神经网络的线性可分判断,提出布尔函数线性可分性判断的逻辑满足性算法。

面向海量样本的线性可分支持向量机分组算法

传统线性可分支持向量机分组算法面对海量样本进行分组时,存在正确率较低的问题,对此提出一种面向海量样本的线性可分支持向量机分组算法。面向海量样本给定一个样本集,对其样本集进行特征提取,利用分值方法进行样本特征选择,通过线性可分支持向量机进行样本聚类,并建立线性可分支持向量机分组框架,利用该框架实现样本分组。为了验证面向海量样本的线性可分支持向量机分组算法的样本分组正确率,将该算法与传统线性可分支持向量机分组算法进行对比实验,结果证明该算法的样本分组正确率更高,说明本研究所提算法更适用于海量样本的分组。

基于改进的SVM线性可分文本分类算法

支持向量机(Support Vector Machines,简称SVM)根据有限的样本信息在对文本分类的精度和学习能力之间,相比其他的文本分类算法寻求了最佳折中,从而获得了较好的推广能力。而SVM是从线性可分情况下的最优分类面发展而来的,因此对于线性可分文本具有更好的分类效果。给出了一种效率较高的线性可分文本的SVM算法,它在训练的时间复杂度上具有明显的改进,从而可以提高训练效率。结果表明:改进后的SVM算法相比以前的算法大大提高了运行效率。