基于多标签k近邻方法实现元启发式算法的排名推荐

设计并研究一种基于多标签k近邻方法(multi-label k-nearest neighbor,ML-k NN)推荐元启发式算法的实现框架.应用多标签k近邻分类学习技术,实现最佳元启发式算法的排名推荐.为了验证效果,以多模式资源约束项目调度问题(MRCPSP)为优化对象,选取不同规模的数百个算例分别提取问题基本特征和地标特征;选用遗传、粒子群、禁忌搜索、蜂群和蚁群5种元启发式算法,使用ML-k NN建立元推荐模型;利用海明损失、单错误率、覆盖率、排位损失和平均准确率5个指标对推荐效果做出分析和评价.实验结果表明,基于ML-k NN方法推荐元启发式算法效果突出,其中基于地标特征的单错误率指标为18.4%,平均准确率达到88.9%.相对于k NN方法,MLk NN取得了更好的推荐结果.此外,ML-k NN方法可以实现对所有备选算法的排名推荐,该研究结论有望推广应用于其他组合优化问题的优化算法推荐.

基于标签相关性的K近邻多标签分类方法

针对K近邻多标签（ML-KNN）分类算法中未考虑标签相关性的问题,提出了一种基于标签相关性的K近邻多标签分类（CML-KNN）算法。首先,计算出标签集合中每对标签间的条件概率;其次,对于即将被预测的标签,将其与已经预测的标签间的条件概率进行排序,求出最大值;最后,将最大值跟对应标签值相乘同时结合最大化后验概率（MAP）来构造多标签分类模型,对新标签进行预测。实验结果表明,所提算法在Emotions数据集上的分类性能均优于ML-KNN、Adaboost MH、RAk EL、BPMLL这4种算法;在Yeast、Enron数据集上仅在1-2个评价指标上低于MLKNN与RAk EL算法。由实验分析可知,该算法取得了较好的分类效果。

基于PCA改进算法的k近邻多标签学习

k近邻多标签学习算法是多标签学习领域经典算法之一,为处理多标签问题提供了新思想。将PCA改进算法应用到k近邻多标签学习算法中,提出信息损耗率,并实现动态降维;根据PCA算法计算样本的属性重要度;采用属性重要度作为权重改进距离计算方法。与已有多标签学习算法相比,该算法各评价指标明显优于已有算法。

基于多标签学习的创伤救治层链决策研究

在现代创伤救治中,根据患者伤情进行合理而准确的院前评估并制定相应的救治决策对降低患者伤残率与死亡率具有重要意义。为了改善人工制定决策的缺陷,实现准确合理的标准化创伤救治决策制定,本文利用多标签学习思想,在对创伤救治决策进行深入分析与研究的基础上,将整体救治决策进行子决策划分,并提取出子决策对应的判定因素作为标签集。为了更好地考虑标签间的关联,将Classifier Chains算法的链式思想与多标签K近邻(Multi-label K-nearest neighbor,ML-KNN)算法融合,提出一种层链多标签学习算法,称为层链多标签K近邻算法(Layer chain ML-KNN,LCML-KNN)。LCML-KNN算法将标签依特点划分为两个层链,在第一层链的预测标签信息输出后对其进行独热编码,转化后的标签看作新特征放入第二层链进行预测与判断。LCML-KNN算法不仅更好地考虑了标签间的关联性,而且通过标签转化扩充了特征维数。在两个创伤类数据集上与现有各类多标签算法进行实验对比,结果验证了LCML-KNN算法的鲁棒性和优越性。

基于多标签机器学习的环境适老化改造应用研究

针对环境适老化改造推荐方案中改造项具有先后顺序的情形,将校准标签排序与多标签k近邻算法相结合,提出适于适老化改造推荐的多标签学习算法。首先引入校准标签约束不相关项,文章将多标签排序问题进行转化为标签成对比较的多分类问题,然后利用ML-k NN进行多标签分类,最后重构标签对关系矩阵,取统计票数大于校准标签的标签项为相关标签并根据票数进行排序。通过实际老人数据集进行测试,与传统的成对比较排序法与校准标签法进行比较,结果表明校准标签排序与多标签k近邻算法相结合汉明损失更小,平均精度更高,且保持较低的错误率,更适合于适老化改造方案推荐。

基于广义Fisher-互信息的管道堵塞故障特征选择方法

针对实际工程应用中,难以在管道声学信号中提取有效的故障特征的问题,提出了一种广义Fisher-互信息特征选择方法的管道堵塞故障特征。广义Fisher准则可以删除无关的和鉴别性能较差的特征,但不能去除冗余特征,在利用多特征对故障信号进行识别时冗余特征会降低分类器性能。利用广义Fisher准则对管道故障特征集进行筛选,选取鉴别性较强的特征;计算特征之间互信息构成互信息矩阵,去除特征集中的冗余特征,选取最优子集,利用多标签k近邻算法(ML-kNN)对多种管道工况进行识别,得到特征子集的分类准确率。实验结果表明,方法在分类任务中的有效性。