示例学习的广义扩张矩阵算法及其实现

本文对扩张矩阵理论加以扩充，提出关于公式的扩张矩阵的概念，并据此实现一个广义扩张矩阵算法叫做ＡＥ９．本文还将ＡＥ９和ＡＱ（１５）应用于几个实际领域的学习问题，如睡眠状态的分类，手写数字识别等．结果都表明ＡＥ９比ＡＱ（１５）分类精度更高．

基于信息熵的扩张矩阵的启发式算法

示例学习中传统的扩张矩阵理论和启发式算法是建立在正反例子集一致、没有噪音的基础上的．然而实际应用领域中的噪音数据，导致许多归纳能力很差的规则产生．本文提出从统计学的角度，对扩张矩阵理论的定义加以扩充，利用信息熵和拉普拉斯错误估计函数构造了扩张矩阵启发式算法ECA将该算法应用于几个实际领域的学习问题并与示例学习系统AES及AQ15等进行了比较．实验结果表明，ECA生成的规则简单，归纳能力强，较为有效地解换了实际应用中的噪音问题．

基于扩张矩阵理论的汉语韵律短语分析

提出了一种新的、基于扩张矩阵理论的归纳学习算法 :分组覆盖算法 ,并将其应用于汉语文语转换系统中的韵律短语分析问题 .算法以扩张矩阵为基础 ,在反例样本集背景下 ,将正例样本集划分为若干个一致的组 ,每一组对应于一个一致的规则 ,它覆盖了这组正例而且不覆盖任何的反例 ;建造了一个用于韵律短语分析的语料库 ,并提出了一组与韵律有关的特征 ;将数据分为训练集和测试集对算法进行了验证 .实验结果表明 ,新算法在正确率、规则个数和可懂性等各方面均优于传统的决策树方法 ,并接近于手工制定的规则 .

示例学习的扩张矩阵理论

本文提出示例学习的一种计算理论,扩张矩阵论.根据这个理论,示例学习中一些主要最优化问题被证明是NP难题,并给出这些难题的近似解法及下界的估计.

基于扩张矩阵的渐进式特征子集选择算法

特征子集选择问题一直是人工智能领域研究的重要内容,特别是近几年来,特征子集选择的算法研究已经成为机器学习和数据挖掘等领域的一个研究热点。该文在扩张矩阵的基础上提出了类扩张矩阵的概念,并将加权的期望信息和不一致错误率函数应用于特征子集的选择,实现了具有噪音处理功能的渐进式特征子集选择算法———IFSS_EM,实际领域的实验结果表明:IFSS_EM算法具有运行效率高、选择特征较具有代表性的优点,从而使其能够较好地应用于实际领域。

应用扩张矩阵理论的攻击特征提取

近年来随着因特网的飞速发展,计算机系统也面临着越来越多的安全威胁。国内外不少研究人员为此提出了许多种基于软计算的方法用于检测网络攻击。给出了一种基于扩张矩阵理论的攻击特征提取方法,通过构造攻击子集和正常子集的扩张矩阵,建立其最优特征子集选择的整数规划模型,并利用简单遗传算法求解,最终生成可用于检测特定类型攻击的最优规则。在KDD Cup99数据集上的实验结果表明,该方法具有较高的正确检出率和可接受的低误报率。

多类有重叠问题的扩张矩阵算法

示例学习是从某一概念的已给的正例集合和反例集合中归纳产生出描述所有正例并排除所有反例的该概念的一般规则，而扩张矩阵理论将寻找正例在反例背景下所满足的公式等价为在反例矩阵上找出一条生路．该文针对多类有重叠问题，改进了原有的扩张矩阵算法，引入了基于平均熵的最短公式近似解的启发式搜索，并利用势函数估计正、反例间重叠区域的概率密度函数，从而获得类间非线性判别界面．文章将此算法应用于手写汉字识别，通过分析比较。

一个新的基于扩张矩阵的规则抽取覆盖算法

提出一种新的基于扩张矩阵的覆盖算法 ,用于抽取例子中的规则 .该算法有以下两个特点 :第一 ,算法执行后得到的选择子数目较少 ;第二 ,按照人们习惯 ,利用等号“ =”作为选择子的关系运算符 ,而代替其它系统采用的不等号“≠” .该算法在实际应用中取得了较好的效果 .

基于模糊扩张矩阵的启发式算法

扩张矩阵是一种规则归纳的方法。在模糊环境下,模糊扩张矩阵算法根据路径的最小模糊信息熵标准,从示例中归纳产生一组模糊规则。本文引入评价矩阵的概念,并使用近似集合覆盖算法的思想,对上述模糊规则归纳方法做了改进。实验结果表明,与原算法相比,改进后的版本增添了许多优点,比如,得到的规则较少,运算速度较快等。

基于扩张矩阵和GA的入侵检测新方法

提出了一种新的基于扩张矩阵和遗传算法理论产生最优检测规则的方法。该方法产生的规则简单、能够反映问题的本质。实验结果表明,它的检测效果优于同类的其它方法。

基于类扩张矩阵的信息系统特征选取

特征选取是一个NP-Hard问题。为了快速完成信息系统的一个最小特征选取,引入了类扩张矩阵的定义。通过类扩张矩阵的元素表示对象的差异,并利用逻辑上包含关系,有效浓缩类扩张矩阵。最后,以类扩张矩阵的统计信息为启发式信息,在浓缩类扩张矩阵中实现一个最小特征子集的快速求解。通过理论分析和实验,证明了该特征选取方法的高效性。

一种基于扩张矩阵理论的规则学习算法

本文给出的扩张矩阵合并问题是ＮＰ困难问题的一种新的证明。由此得到了析取式最小问题是ＮＰ困难问题的新的证明。之后给出了两个扩张矩阵合并的完备策略，在此基础上给出了扩张矩阵合并的启发函数策略。

容忍噪音的扩张矩阵启发式算法研究

现有扩张矩阵算法多为建立在理想数据基础上的,而实际的应用领域中不可避免地存在噪音数据,这样致使其在实际的应用中很难得到令人满意的结果。文章对原有扩张矩阵理论进行扩充,提出扩张矩阵集的概念,并在此基础上给出了一个容忍噪音的扩张矩阵启发式算法(NCV)。实际领域的实验结果表明:NCV算法能够得到较为简单而精确的规则,并且较好地解决了实际领域中存在的噪音问题。

扩张矩阵的启发式学习算法的研究

本文给出了析取式最小问题是NP困难问题的新的证明，之后给出了两个扩张矩阵合并的完备策略，在此基础上给出了扩张矩阵合并的启发函数策略，最后提出了一种新的示例学习算法—扩张矩阵的启发式学习算法．

基于模糊扩张矩阵的钾盐判别模型及应用

根据盐泉的特征参数溴氯系数、钾氯系数等信息,基于模糊扩张矩阵,给出盐泉含钾性的判别模型,其判别结果可为寻找钾盐资源提供较可靠的信息.

扩张矩阵的一些性质

研究了相关于扩张矩阵A的扩张球和拟范数的一些性质.首先通过具体实例及欧氏范数关于A的上下界估计指出扩张矩阵与经典球及欧氏范数匹配不佳,但欧氏范数相关于A仍能保持全局伸缩性.其次研究了相适应于扩张矩阵的扩张球和拟范数关于伸缩性、凸性、可积性、微分估计及傅里叶变换的一些性质.最后通过欧氏范数与相关于扩张矩阵的拟范数的不等式估计证明了相关于拟范数的两类施瓦茨函数空间和相关于欧氏范数的经典施瓦茨函数空间都是等价的.

关于各向异性扩张矩阵函数的两个性质

所有特征根的模大于1的n×n实矩阵称为各向异性扩张矩阵.在本文中,作者证明了各向异性BMO函数关于分数次积分交换子的两个等价特征刻画;借助关于扩张矩阵A的阶梯拟范数有级数展开和局部标准正交基,得到了局部L2可积函数的各向异性傅里叶级数展开.

基于扩张矩阵的模糊特征选择算法

在模糊分类器系统中,通常要将模式的原始特征投影到模糊空间,在模糊空间上进行特征选择,并在此基础上构建模糊决策规则.本文在对原始特征模糊化的基础上提出了一种构造模糊扩张矩阵的方法,它结合了常规扩张矩阵的优点和模糊集的特性,然后设计了一种基于模糊扩张矩阵的求解当特征取值为隶属度时的最优模糊特征子集的启发式算法,并从理论上证明了其正确性,也通过现实世界的数据集验证了它的较高效率.同时,该算法对基于集理论的模糊集相似性度量公式具有一定的鲁棒性.

势函数在示例学习扩张矩阵中的应用

在机器学习的各种方法中,示例式学习被认为是自动获取知识的关键.扩张矩阵理论将寻找正例在反例集背景下所满足的公式等价为在反例矩阵上找出一条生路.手写汉字识别是一个处理多类有重叠问题,本文阐述在利用扩张矩阵理论学习手写汉字识别规则时,如何利用势函数估计正反倒间重叠区域的概率密度函数从而获得类间非线性判别界面.

扩张矩阵的最优化问题

归纳学习的扩张矩阵方法中,在一个反例集NE背景下求一个正例e^+的最短公式问题(MFL)和在NE背景下求一个正例集PE的最优覆盖问题(MCV)是两个突出的最优化问题.文献[1]业已证明它们均为NP-hard的.本文给出作者设计的四个算法,分别称之为MFL,HFL,MCV和HCV.算法MFL和MCV是完备算法,它们分别为MFL问题和MCV问题提供了关于例子空间属性数的指数时间、例子数的多项式时间的求解方法.算法HFL和HCV是两个分别对应于算法MFL和MCV但时间复杂性为多项式的启发式算法.