基于粗糙属性向量树的属性约简新方法

在对区分能力大小研究的基础上建立了一个用于指导信息表的绝对属性约简的粗糙集模型,同时在对区分能力和分类能力二者关系深入研究的基础上提出了决策依赖区分精度新概念,该概念是用于指导决策表的、相对属性约简的一个新的判据。借助粗糙属性向量树提出了新的求全部属性约简的算法,通过理论分析说明了新算法的最坏时间复杂度低于经典的"基于差别矩阵求全部属性约简算法"以及它的改进算法。对比实验结果验证了该算法在运算效率上明显高于"基于差别矩阵求全部属性约简算法"的改进算法。

题目属性向量平衡策略的认知诊断测验设计

为认知诊断测验制定的题目属性向量平衡(IAVB)策略强调测验必须体现认知模型,并将题目属性向量而不是以单个属性作为考察单位。该策略克服严格属性平衡(SAB)策略仅适用于独立结构的不足,且在每个题目考察属性个数(大致)相同的条件下,以模式判准率(PMR)为衡量标准,该策略优于非IAVB策略。特别地,若属性层级结构为独立结构时,采用IAVB策略的测验最优,SAB策略次之,两种策略均未采用则最差。另IAVB矩阵可显著提高PMR。

基于属性向量协同过滤推荐算法并行化

为提高协同过滤推荐算法的效率及准确率,提出一种基于属性向量典型性的排序推荐算法。综合考虑物品属性信息及用户对物品历史评分等多维度信息,计算用户间的相似度,根据相似用户的评分行为预测目标用户对物品排列概率,得到最终推荐列表。在Hadoop分布式环境下进行实现,实验结果表明,相比于传统推荐算法,该方法更加高效和准确。

基于潜在编码空间的属性控制人脸图像翻译方法

人脸图像翻译旨在将输入人脸图像经过一系列的条件操作,得到符合预期的目标人脸图像。然而,现有方法往往面临模型泛化性不足、属性耦合等挑战。基于此,提出了一种基于潜在编码空间的属性控制人脸图像翻译方法。首先,通过特征金字塔编码网络得到特征向量并组成潜在编码空间;其次,基于潜在编码空间的特征表示能力,对特征向量进行分类学习,得到属性法向量实现人脸属性控制;最后,使用属性法向量解耦和重训练两个步骤解决人脸属性耦合等问题。该方法在提高图像翻译质量的同时实现了人脸属性的精细化控制,并在草图到真实人脸任务中验证了该方法的泛化性。通过AttGAN等主流人脸图像翻译方法进行对比实验和分析,结果表明该方法在FID(Fréchet Inception Distance)等评价指标中较现有方法提升2%~50%不等,在属性生成精确度上提升3%~30%,证明该方法有效提升了属性控制下人脸图像翻译的性能。

区间值决策形式背景的属性值向量约简

概念格是一种潜力极大的有效的知识发现工具,现已被广泛应用于计算机网络、数据挖掘等领域。针对现实生活中信息的不确定性,定义了区间值决策形式背景;通过讨论条件区间形式背景与决策区间形式背景概念格之间的关系,研究了区间值决策形式背景的协调性,进一步研究了属性值向量约简,使得原背景在属性及属性区间值两个方面得到简化。

股权属性、董事会特征与绩效识别——支持向量机(SVM)在公司绩效识别中的应用研究

与现有研究文献不同,文章采用基于统计学习理论的新型机器学习方法——支持向量机(SVM),通过2004年沪市的机械、设备、仪表行业上市公司的股权属性、董事会特征对公司绩效进行识别。研究结果显示,各组检验样本的正确识别率基本都在80%以上,证明支持向量机对公司绩效具有良好的识别能力,特别是表现出对小样本的适应性。

计算机化自适应诊断测验中原始题的属性标定

认知诊断测验项目开发成本较高,要标定大量项目的属性相当费时费力,专家完成这一任务也比较困难。对于在计算机化自适应诊断测验中的项目属性的标定尚未见到报导。在已有的为诊断测验开发的小型题库基础上,本文在计算机化自适应认知诊断测验过程中,植入原始题,对项目属性标定的问题进行探讨,重点研究原始题属性标定的方法及其影响因素,除了MMLE方法和MLE方法外,还建立了一种新的可用于所有非补偿认知诊断模型的属性标定的方法——交差方法。MonteCarlo模拟结果显示,MMLE方法较MLE方法好;在知识状态估计精度较高时,自适应植入原始题较随机植入原始题有一定的优势;随着知识状态估计精度提高和原始题作答次数增加,交差方法与MLE方法基本相当,只是在发散型和无结构型表现欠佳,但是交差方法不需要预先设定项目参数值。

题库结构对原始题在线属性标定准确性之影响研究

目前已有研究证明可达阵在认知诊断测验编制中起重要作用,但迄今为止并没有引起普遍注意。本文主要讨论当题库缺少可达阵对应的某些项目类,对原始题的属性向量在线标定的准确性的影响。本文对含6个属性的独立型结构进行了模拟试验,结果显示:如果题库不充要,原始题的属性标定准确性受到影响,题库中非可达阵中项目对标定有一定的弥补作用。间接印证了可达阵在认知诊断题库起到非常重要的作用。

基于多属性子集选择策略的三阶段混合信用评估模型

信用评估数据集往往存在冗余属性,现有研究一般通过属性子集选择策略进行属性筛选,但并未深入研究不同属性子集选择策略在不同信用评估模型上的适用性。本文首先实证研究了8种属性子集选择策略对7种主流模型的性能提升情况,得到了一些有意义的结论;进而设计出一种结合多个属性子集选择策略特征的三阶段混合信用评估模型——TSHCE模型。TSHCE模型在第一阶段,根据多个属性子集选择策略对各属性的重要性排序,生成属性重要性序数向量;第二阶段,根据属性重要性序数向量,以轮盘赌方法选择不同属性子集,分别训练基分类器;第三阶段,以各基分类器的分类结果组合构成再训练样本集,进一步训练连接分类器以提升模型的分类能力。实证研究表明:TSHCE模型在训练阶段能够深度挖掘样本集的可分类特征,五种性能评价指标均达到92%以上;在测试阶段,相对于最优属性子集选择策略与分类器的组合,在两组大样本数据集上分别进一步提升了1.36%和12.83%的总体分类正确率,具有优越的平衡性,同时亦适用于小样本。

基于图卷积神经网络的石油数据资产知识图谱实体对齐方法

在石油数据资产知识图谱融合过程中存在命名规则差异性大、专业性强和特殊语义问题。提出基于图卷积神经网络的石油数据资产知识图谱(KG)实体对齐方法,给定一组预先对齐的实体种子,采用Graph Convolutional Networks(GCNS)网络学习实体结构和属性信息嵌入统一向量空间,计算空间中实体之间距离;在石油数据资产数据集中对两个KGs进行实体对齐实验。结果表明:基于GCN融合实体关系和属性的嵌入模型优于基于实体关系的TransE实体对齐模型,Hits@1最高为16.96%,比TransE实体对齐模型平均提升6.18%。基于图卷积神经网络的融合实体关系、属性和属性值的实体对齐方法适用于石油数据资产知识管理。

基于最优效用的配电网多故障抢修任务分配策略

配电网多故障抢修不只是优化故障抢修顺序的问题,多小队协同抢修时,故障任务的合理分配才是抢修工作顺利、高效完成的前提。本文同时考虑抢修小队初始位置不同及负荷本身故障,定义了抢修小队偏好、抢修小队能力向量和故障任务需求向量,然后基于属性向量建立了可解决小队协作问题的效用函数模型,形成效用函数矩阵;最后结合轮盘赌选择方法得到基于最优效用的故障任务分配方案集。采用属性向量的形式量化抢修信息,可以随时改变属性向量维数,解决抢修资源以及现场故障需求的不确定性问题,实现故障任务的动态分配。仿真结果给出了10种任务分配方案,并用改进的细菌群体趋药性(BCC)算法优化得到最优方案及最佳抢修顺序,验证了所提方法的有效性和正确性。

一种基于分类算法的网页信息提取方法

在目前的Web信息提取技术中,很多都是基于HTML结构的,由于HTML结构的经常变化,使提取模板需要经常更新,而提取模板的更新需要很多领域知识。本文提出一种基于分类算法的Web信息提取方法,通过将网页文本按照其显示属性的不同进行分组,以显示属性值为基础对Web页面文本进行分类,获取所关注文本,从而完成对Web页面的信息提取。这种提取方法操作简单,易于实现,对网页结构的依赖性小。

0-1评分认知诊断测验设计

认知诊断测验设计实质上是测验Q矩阵设计,设计应最大限度覆盖诊断的构念,充分发挥代表认知模型的属性层级关系的重要作用.主张测验充分表达被试知识结构,提倡测验Q矩阵和被试知识状态共享同一层级结构,以实现对被试更加准确的诊断.对于非独立型层级结构,无法实现属性使用次数平衡而应采用题目属性向量使用平衡策略.对Liu Ren(2017)的测验设计提出质疑.

非线性立体脑图像配准中的机器学习方法

针对基于属性向量的非线性配准算法,提出用机器学习的方法寻找脑图像中各个点上的最优几何特征向量。通过定义一个能量函数把寻找最优属性向量的过程归结为一个最优化问题。把训练得到的最优属性向量与HAMMER(一种基于属性向量的非线性配准算法)相结合,对模拟的MR脑图像进行了实验．与HAMMER相比,位移场的精度提高了10%。改进后的算法对真实的MR脑图像的配准结果,也有很大的改善。

基于层次聚类的网络流量异常分类算法

现有的异常流量根源分析技术大多需要人工干预,对异常事件的分类效果不佳。为此,提出基于层次聚类的流量异常分类算法TAC HC,通过特征属性的训练过程逐步建立分类树,把相似的异常嵌入到子树中,在未知数据集聚类数目的情况下对新的异常进行分类。仿真结果表明,TAC HC算法的分类平均准确率达到89%,对网络扫描这类小异常事件的分类精确率也能达到95.3%。

基于改进型协同过滤算法的研究

个性化推荐一直是互联网商品的重要特点,精准的个性化推荐一方面能够准确地定位市场,另一方面能够带来更好的用户体验。尽管基于不同的应用场景下的推荐算法种类越来越多,但是推荐算法的智能性、精准性、稳定性还有待提高。针对个性化的精准推荐需求,提出了一种基于用户的改进型协同过滤算法。该算法主要解决由于不同用户存在不同的评价体系造成的评分偏差以及用户由于本身的特征属性(年龄、兴趣、性别)的不同造成的评分偏差,进而造成余弦相似度计算偏差变大的问题。针对该问题,提出了一种融合型的余弦相似度计算方法,该方法包括一个相似度修正参数α和一个用户特征属性向量β→,前者主要解决不同用户评价体系带来的偏差问题,后者是为了解决用户自身的特征属性不同产生的偏差问题。根据协同过滤算法应用在电影评分推荐实验上的分析表明,改进型协同过滤算法大大提高了实验效率和推荐准确率。

深度监督对齐的零样本图像分类方法

针对零样本图像分类中属性向量的类别区分性差及对可见类别产生分类偏好的问题,提出一种深度监督对齐的零样本图像分类(DSAN)方法.DSAN构造类语义的全局监督标记,与专家标注的属性向量联合使用以增强类语义间的区分性.为了对齐视觉空间和语义空间的流形结构,采用视觉特征和语义特征分类网络分别学习2种空间特征的类别分布,并且无差异地对齐两者的分布.利用生成对抗网络的原理消除特征间的本质差异,以按位加的方式合并视觉特征和类语义特征,并利用关系网络学习两者间的非线性相似度.实验结果表明,DSAN在CUB、AWA1和AWA2数据集上对可见类别和未见类别的调和平均分类准确率比基线模型分别提高了4.3%、19.5%和21.9%;在SUN和APY数据集上,DSAN方法的调和平均分类准确率分别比CRnet方法高1.4%和2.2%,这些结果证明所提方法的有效性.

Fast Matrix Computation Algorithms Based on Rough Attribute Vector Tree Method in RDSS

The concepts of Rough Decision Support System (RDSS) and equivalence matrix are introduced in this paper. Based on a rough attribute vector tree (RAVT) method, two kinds of matrix computation algorithms — Recursive Matrix Computation (RMC) and Parallel Matrix Computation (PMC) are proposed for rules extraction, attributes reduction and data cleaning finished synchronously. The algorithms emphasize the practicability and efficiency of rules generation. A case study of PMC is analyzed, and a comparison experiment of RMC algorithm shows that it is feasible and efficient for data mining and knowledge-discovery in RDSS.

基于相似度的总装作业集划分方法研究

制定计划流程是航天产品研制过程中十分重要的技术管理活动。通过在计划流程中对一组顺序无关的工作项目进行合理的划分以提高工作效率。根据"作业相似度越高,工作效率越高"的经验假设,提出基于相似度的作业集划分方法。使用属性向量的差值来表征相似度,兼顾负载均衡,设置合理的划分操作步骤,以此获取有效的划分结果。

基于空间局部偏离因子的离群点检测算法

针对空间数据集的特性,提出一种基于空间局部偏离因子(SLDF)的离群点检测算法。利用SLDF度量空间点对象的离群程度,计算空间数据集中点对象的SLDF值并对其进行排序,将取值较大的前M个点对象作为空间离群点。实验结果表明,该算法能较好地检测空间局部离群点,其有效性与准确性均优于SLZ算法,适用于高维大数据集的空间离群点检测。