政治统一、支持监督与协商治理:中国新型政党制度的优势

中国新型政党制度是保持国家政治统一、实现权力有效监督制约和实践协商民主政治的重要制度载体.中国新型政党制度的优势主要体现在通过聚合性的政党制度结构,保持了超大规模国家的政治统一;通过非竞争支持型的政党监督模式,初步实现了政党之间的权力监督;通过多党合作和政治协商,实现了包容互惠发展导向的协商民主治理.新时代坚持和完善中国新型政党制度,需要通过制度改进和完善,进一步发挥中国新型政党制度的优势,促进国家治理现代化的实现.

基于半监督支持向量机的电压暂降源定位

电压暂降源定位对解决相应供用电双方纠纷及责任认定等起到重要作用。针对现有暂降源定位方法的准确率低、含源位置信息的电压暂降监测数据非常有限且不易获取等问题,提出了一种基于半监督支持向量机(SVM)的电压暂降源定位方法。首先分析了现有源定位方法的定位机理和判据,然后通过支持向量机结合多个定位特征量,利用二分类思想在高维定位特征空间内构建上下游分类面。最后运用半监督SVM充分利用大量无暂降源位置标签的电压暂降监测数据,不断优化上下游定位的分类面,从而实现少量标签数据下电压暂降源的优化定位。实验结果表明,在少量标签数据下,该方法定位准确率高,能可靠定位出各类电压暂降源位置。

L_p范数约束的多核半监督支持向量机学习方法

在机器学习领域,核方法是解决非线性模式识别问题的一种有效手段.目前,用多核学习方法代替传统的单核学习已经成为一个新的研究热点,它在处理异构、不规则和分布不平坦的样本数据情况下,表现出了更好的灵活性、可解释性以及更优异的泛化性能.结合有监督学习中的多核学习方法,提出了基于Lp范数约束的多核半监督支持向量机(semi-supervised support vector machine,简称S3VM)的优化模型.该模型的待优化参数包括高维空间的决策函数fm和核组合权系数m.同时,该模型继承了单核半监督支持向量机的非凸非平滑特性.采用双层优化过程来优化这两组参数,并采用改进的拟牛顿法和基于成对标签交换的局部搜索算法分别解决模型关于fm的非平滑及非凸问题,以得到模型近似最优解.在多核框架中同时加入基本核和流形核,以充分利用数据的几何性质.实验结果验证了算法的有效性及较好的泛化性能.

一种基于聚类核的半监督支持向量机分类方法

为了在标记样本数目有限时尽可能地提高支持向量机的分类精度,提出了一种基于聚类核的半监督支持向量机分类方法。该算法依据聚类假设,即属于同一类的样本点在聚类中被分为同一类的可能性较大的原则去对核函数进行构造。采用K-均值聚类算法对已有的标记样本和所有的无标记样本进行多次聚类,根据最终的聚类结果去构造聚类核函数,从而更好地反映样本间的相似程度,然后将其用于支持向量机的训练和分类。理论分析和计算机仿真结果表明,该方法充分利用了无标记样本信息,提高了支持向量机的分类精度。

基于采样的半监督支持向量机软件缺陷预测方法

软件缺陷预测有助于提高软件开发质量,保证测试资源有效分配。针对软件缺陷预测研究中类标签数据难以获取和类不平衡分布问题,提出基于采样的半监督支持向量机预测模型。该模型采用无监督的采样技术,确保带标签样本数据中缺陷样本数量不会过低,使用半监督支持向量机方法,在少量带标签样本数据基础上利用无标签数据信息构建预测模型;使用公开的NASA软件缺陷预测数据集进行仿真实验。实验结果表明提出的方法与现有半监督方法相比,在综合评价指标F值和召回率上均优于现有方法;与有监督方法相比,能在学习样本较少的情况下取得相当的预测性能。

辅助训练的半监督线性支持向量机用于EEG分类

研究了基于辅助训练思想的半监督线性支持向量机方法在脑机接口EEG分类中的应用。首先采用高斯混合模型、Parzen窗、KN-近邻估计三种方法估计概率密度,得到未标记样本的密度信息,选择部分概率较高样本,使用比较置零法避免错分。其次采用线性支持向量机作为判别分类器得到已选样本的边界信息,通过距离判别条件选出高置信度的样本,使用方向判别条件避免错分。结合密度和边界信息完成高置信度未标记样本选择的方法称为辅助训练半监督支持向量机。本文的实验数据包括g50c、BCIⅠ、BCIⅡ_Ⅳ、USPS,分类正确率分别为91.6%,97%,84%,90.4%,运算速度最慢的仅需约3.5 s。在分类正确率和运算效率两个方面,均优于自训练半监督SVM、监督SVM两种方法。

基于半监督支持向量机的供电企业安全性评价

为了解决支持向量机(SVM)必须采用标识样本进行训练和支持向量选择困难两个弊端,提出了一种基于模糊C均值(FCM)和支持向量机的半监督支持向量机分类算法S3VM)。为了验证模型的有效性,将该算法应用于供电企业安全性评价。与BP神经网络的分类结果比较表明,该模型在样本较少的条件下,具有较高的分类正确率和很好的推广能力。

凹半监督支持向量机及其应用

在训练集不足的情况下,SVM算法有待改进,以提高其评价的准确性。采用凹半监督支持向量机,利用少量标注样本和大量未标注样本进行机器学习,提高了模型预测的精度。

基于二次规划的无监督支持向量机

支持向量机在分类中的推广能力是非常显著的.通过构造目标函数和约束条件,借助二次规划模型提出了一种无监督支持向量机,它能在聚类的同时求出最优分类超平面并保证了支持向量机的推广能力.

基于填充函数法的光滑分段半监督支持向量机

构造一个光滑分段函数,以逼近梯度直推式支持向量机模型中的不可微项,得到一种新的光滑分段半监督支持向量机模型。根据新模型的非凸特性,采用无参数填充函数法对其求解,以此避免参数调节的复杂过程,减小计算量.采用UCI数据库中不同规模的数据集,对新模型进行训练和测试,结果表明新模型可降低向量机的平均误分率,提高其分类性能。

基于均值漂移的半监督支持向量机图像分类

标签均值半监督支持向量机(meanS3VM)在图像分类中随机选取少量无标记样本训练分类器的正确率较低,且其参数取值使结果波动性较大,针对这一问题,提出基于均值漂移(mean shift)的meanS3VM图像分类方法。以mean shift平滑图为分类对象,以降低图像特征多样性;在每个平滑区域随机选取一个样本作为无标记样本,以保证其携带对分类有用的信息而得到高效的分类器;探讨并改进参数取值方法,网格寻优敏感参数,参数ep结合支持向量机(SVM)预分类和mean shift结果估计,以获取更好更稳定的结果。实验结果表明,所提方法对普通和加噪图像的分类正确率比改进参数取值的原算法分别平均提高1和5个百分点以上,获得了更高的时间效率,且有效避免了分类结果的波动性,适用于图像分类。

一族三次样条光滑半监督支持向量机

针对半监督支持向量分类优化中的非凸非光滑化问题,建立光滑半监督支持向量机模型,提出基于分段多项式函数和插值思想构造一个新的三次样条光滑函数,从而可以更好地逼近对半监督支持向量机中非光滑的对称铰链损失函数部分,构造出基于此光滑函数的具有二阶光滑的半监督支持向量机模型。进而可以用优化中的光滑算法来求解该模型,并分析所构造的三次样条函数对对称铰链损失函数的逼近精度。通过数据实验证明所构造的新的光滑半监督模型具有较好的分类效果和效率。

面向类别比例偏移的半监督支持向量机方法

当未标记数据与有标记数据类别比例偏移较大时,半监督支持向量机性能不佳.基于此情况,文中提出面向类别比例偏移的半监督支持向量机方法.首先估计未标记数据类中心,然后对多个类别比例下的类中心进行最坏情况集成,从而提升半监督支持向量机的性能保障.实验表明,文中方法有效提升半监督支持向量机在类别比例偏移时的性能保障.

基于聚类标签均值的半监督支持向量机

针对标签均值半监督支持向量机在图像分类中随机选取无标记样本会导致分类正确率不高,以及算法的稳定性较低的问题,提出了基于聚类标签均值的半监督支持向量机算法。该算法修改了原算法对于无标记样本的惩罚项,对选取的无标记样本聚类,使用聚类标签均值替换标签均值。实验结果表明,使用聚类标签均值训练的分类器大大减少了背景与目标的错分情况,提高了分类的正确率以及算法的稳定性,适合用于图像分类。

基于二叉树的半监督三分类光滑支持向量机研究

文章对半监督三分类光滑支持向量机进行研究。首先,针对二叉树结构的分类顺序对分类精度影响的问题,提出采用基于类间相似方向数生成偏二叉树支持向量机的方法判别分类顺序。其次,将此判别方法应用于半监督三分类中,提出了基于类间相似方向数的半监督三分类光滑支持向量机算法。最后,进行五组数值试验。结果表明,与全监督三分类算法相比,本文算法得到的准确率相对要高,且能在已标记样本比例较少的情况下得到较高的准确率,从而表明了本文的半监督二叉树三分类光滑支持向量机具有优越性。

基于半监督支持向量机的电力现货市场串谋识别

针对现货市场中有标签的串谋数据稀缺的问题,设计了基于半监督支持向量机的串谋识别模型。首先,设计一套机组对的串谋识别指标体系并介绍其详细的计算方法。其次,利用Delphi法修正后的Topsis模型对机组进行初步判定,构建串谋识别训练集,将机组串谋的可能性分为“高”、“中等”和“低”3种可能。然后,提出了基于半监督支持向量机的串谋识别模型,利用有标签的串谋识别样本训练支持向量机模型,并对无标签样本进行标记,选择使分类间隔最大的那组标签作为最终标签,将原有标签样本和新增有标签样本混合,重新训练串谋识别模型。最后,以某地区现货市场数据进行算例分析,验证了半监督支持向量机算法的有效性。

分段光滑的半监督支持向量分类机

为了解决半监督支持向量分类优化模型中的非凸非光滑问题,基于分段逼近的思想提出了一个分段函数,并以此逼近非凸非光滑的目标函数。给出的分段函数可以根据不同的精度要求选择不同的逼近参数,同时构造出基于上述分段函数的光滑半监督支持向量机模型。采用了LDS(Low Density Separation)算法求解模型,分析了其对对称铰链损失函数的逼进精度。理论分析和数值实验结果都证明分段光滑的半监督支持向量机的分类性能和效率优于以往提出的光滑模型。

基于半监督支持向量机的期刊收稿系统自动分类方法

现阶段的期刊收稿系统主要采用人工方式将投稿论文分配给相关专业领域的审稿专家,从而完成论文审稿。但是当面对大量的稿件时,人工分配方式存在效率较低,不能满足期刊时效性需求。针对以上问题,为了实现投稿论文的自动分配,建立一种基于半监督支持向量机的论文自动分类方法。首先提出了基于TF/IDF特征项权重的向量空间模型来实现论文的特征向量表示;然后采用半监督支持向量机对论文数据集进行分类;最后通过对某期刊收稿实例的分析,验证了该方法的有效性。实验结果表明,提出的基于半监督支持向量机的期刊收稿系统自动分类方法的平均F1的结果约为68%,从而在满足一定准确度的条件下提高了收稿系统的工作效率。

基于自适应遗传算法的半监督支持向量机学习法

本文将自适应遗传算法用于半监督支持向量机(S’VMs)的训练,取得了令人满意的非线形分类效果,并将遗传算法与传统的最速下降法相结合能使分类精度进一步提高。

基于无监督支持向量机的相似日选择

负荷预测是电力系统安全经济运行的基础,合理选择预测相似日有利于提高负荷预测的精度,而传统依据人工经验选择相似日并不具备最好的预测效果。为了进一步提高负荷预测准确度,该文深入研究了负荷预测中相似日选择的问题,依据对日负荷水平及趋势的影响大小提取特征量,并在此基础上提出一种基于无监督支持向量机的模型。最后,通过算例验证了所提模型的有效性。