一种多维小波网络的构造性算法

在探索单尺度径向小波框架与径向基函数网络对函数逼近特性相似的基础上 ,构造了单尺度径向基小波网络 .针对在高维应用中出现的维数灾难 ,以减少其对维数的依赖性为出发点 ,实现了限制网络规模过大的方法 ,主要包括根据输入样本的时频信息和小波的时频定位区间 ,采取多种措施自适应地从小波栅格中挑选恰当的小波基 ;根据输出样本信息 ,考虑权值的不同重要程度 ,利用自适应正交投影算法完成了网络结构大小及其连接权值的自动确定 .通过将该方法应用到脑电逆问题的求解实例中 。

整数标号的Brouwer不动点的构造性算法

本文提出计算标准单纯形上连续自映射不动点的一种整数标号的变维数单纯重复开始算法，该算法给出了Ｂｒｏｕｗｅｒ不动点定理一个新的构造性证明。数值结果表明新的算法是行之有效的。

基于Lasso和构造性覆盖算法的不均衡数据分类方法

针对机器学习分类算法在不均衡数据分类问题中对少数类样本识别能力不足的问题,以电信客户流失场景为例,提出一种不均衡数据分类方法 L-CCSmote(Lasso Constructive Covering Smote)。首先,通过套索回归(Lasso)提取流失用户特征以优化模型输入;然后,通过构造性覆盖算法(CCA)建立神经网络生成符合样本整体分布的覆盖;最后,进一步提出单样本覆盖策略、样本多样性策略和样本密度峰值策略,通过以上策略混合采样以平衡数据。选用了KEEL数据库中的13个不均衡数据集和2个脱敏电信客户数据集,分别在逻辑回归(LR)和支持向量机(SVM)分类算法上对该方法进行验证。在LR分类算法上,与SMOTE-Enn(Synthetic Minority Oversampling TEchnique Edited nearest neighbor)相比,所提方法的平均几何平均值(G-MEAN)提升了2.32%;在SVM分类算法上,与Borderline-SMOTE(Borderline Synthetic Minority Oversampling Technique Edited)相比,所提方法的平均G-MEAN提升了2.44%。实验结果表明,所提方法能解决类别偏斜分布影响分类的问题,且对于稀有类的识别能力优于经典平衡数据方法。

基于商空间的构造性分层竞争网络算法

构造性学习方法根据学习样本构造神经网络,有效地解决了神经网络结构难以确定和学习速度慢的问题。文中在此基础上,利用商空间的粒度原理和霍夫曼编码的思想,对样本分布极其不均匀的分类问题,构造分层竞争覆盖网络。实例表明这种算法可以进一步提高训练的速度和识别的精度,减少拒识样本。

基于覆盖的构造性学习算法SLA及在股票预测中的应用

覆盖算法是神经网络学习算法中的一个十分有效的方法 ,它克服了基于搜索机制的学习方法和规划学习方法计算复杂性高 ,难以用于处理海量数据的不足 ,为神经网络提供一个构造性的学习方法 但该方法是建立在所有训练样本都是精确的假设上的 ,未考虑到所讨论的数据具有不精确的情况 ,若直接将该方法应用于数据不精确情况 ,所得到效果不理想 主要讨论数据具有不精确情况下的时间序列的预测问题 为此将原有的覆盖算法进行改进 ,引入“覆盖强度”和“拒识样本”的概念 ,并结合这些新概念给出相应的覆盖学习算法 (简称SLA) ,最后将SLA算法 ,应用于金融股市的预测 ,具体应用到以上 (海 )证 (券 )综合指数构成的时间序列的预测 ,取得了较好的结果 。

构造性覆盖算法的SMOTE过采样方法

如何提高对少数类样本的识别能力是不平衡数据分类中的一个研究热点。合成少数类过采样技术(SMOTE)是解决此类问题的代表性方法之一。近年来,不少研究者对SMOTE做出了一些改进,较好地提高了该方法的性能。然而,如何有效地选取典型少数类样本进行过采样仍然是一个值得研究的问题。此外,被孤立的少数样本在提高模型性能方面的潜在能力也没有得到足够的重视。针对上述问题,提出了基于构造性覆盖算法(CCA)的过采样技术CMOTE。CMOTE提供了两种不同策略下选择关键样本的方法:基于覆盖内样本个数的方法与基于覆盖密度的方法。在12个典型的不平衡数据集上验证CMOTE算法的性能。实验结果表明,CMOTE算法在总体上优于对比方法,并且通过强化关键样本对模型性能的影响增强了模型的泛化能力。

基于构造性学习算法的开放式基金评价

开放式基金评估是对基金运行状况的认识和判断，其研究结果直接或间接的影响宏观调控政策的合理制定，不仅是经济学的重要研究领域，而且得到公众的普遍关注。但是，传统评估方法主要建立在专家经验或简单的统计学模型，难以反映高度非线性的经济系统的本质无法满足基金评估的客观要求。本文利用覆盖算法对股票型基金进行评价并得到较好的结果。这种方法为我们评价开放式基金带来了方便。

机器学习中的核覆盖算法

基于统计学习理论的支持向量机(SVM)方法在样本空间或特征空间构造最优分类超平面解决了分类器的构造问题,但其本质是二分类的,且核函数中的参数难以确定,计算复杂性高.构造性学习算法根据训练样本构造性地设计分类网络,运行效率高,便于处理多分类问题,但存在所得的分界面零乱、测试计算量大的缺点.该文将SVM中的核函数法与构造性学习的覆盖算法相融合,给出一种新的核覆盖算法.新算法克服了以上两种模型的缺点,具有运算速度快、精度高、鲁棒性强的优点.其次,文中给出风险误差上界与覆盖个数的关系.最后给出实验模拟,模拟结果证明了新方法的优越性.

快速概率分析进化算法及其性能研究

概率分析进化算法是最近几年发展起来的一类新的构造性进化算法 .本文介绍了其产生背景和基本原理 ,分析了复杂概率模型导致的计算复杂性 ,在此基础上提出快速概率分析进化算法的概念和算法模型 .文中给出了Bayes网络作为概率模型 ,爬山算法作为快速搜索技术的算法实例 ,实验结果验证了快速概率进化算法具有很好的性能 .

基于概率的覆盖算法的模型及仿真研究

提出的基于概率的覆盖算法——PBCA是一种新的分类算法,它利用学习所得到的样本的概率分布信息,通过投票的方式来决定覆盖边界中样本的类别。从网络结构上看,它是一种混合型的神经网络,由下面三层的前馈网络和上层的反馈网络组成。通过在覆盖中加入一定数量的异类样本和使用概率的方法来扩大覆盖半径,减少拒识的样本数,提高识别率。计算机仿真实验表明,这种方法有效地提高了学习的精度。

基于超立方体覆盖的构造性网络学习算法

该文提出了一种基于超立方体覆盖的构造性神经网络学习算法,以解决二值型输入变量的K分类问题。该算法分两步来动态地构造一个三层前馈网络。首先,对于每一类的所有训练样本,用尽可能少的超立方体来覆盖它们,并为每一个超立方体构造一个隐层单元;其次,用"或"操作把这些隐单元连接到相应的输出单元上。文章给出了相应的理论分析和一个具体的实现。实验结果表明,该算法优于常用的一些归纳学习算法。

旅行商问题基于参考点的相邻插入法及其改进

旅行商问题(Traveling Salesman Prblem,TSP)是典型的 NP-hard 问题。通过对已有以最近插入法为代表的构造性算法的分析,提出了一种具有多项式时间性能的基于参考点的相邻插入法及其改进策略,其时间复杂度分别为O(n2)和O(n3),同时基于典型算例的仿真研究验证所提出算法的有效性和高效性。

广义行随机矩阵的逆谱问题

非负矩阵的逆谱问题是:确定一个n元复数组σ=(λ0;λ1,…,λn-1)是某个n阶非负矩阵的谱的充要条件.论文结合Brauer秩1扰动定理和广义行随机矩阵的性质,分5种情形给出了n阶非负矩阵实现n元复数组σ=(λ0;λ1,…,λn-1)的充分条件和构造性算法,并且结合具体实例证实了这些算法的实用性和有效性.

微分几何定理证明中最简单辅助条件的计算

在微分几何定理证明中 ,一个定理成立的辅助条件 (非退化条件 )不是惟一的 ,但越简单越好 .对预先确定的标准如变元个数最少、导数算子阶数最低等 ,利用根微分理想分解的 Rosenfeld-Grobner算法 ,给出了微分几何定理机器证明中最简单辅助条件的构造性算法 .

一类非负矩阵的逆谱问题

给定一个n元复数组σ={λ_1;λ_2,…,λ_n},其中L={λ_2,…,λ_n}在复数共轭下保持封闭性质.非负矩阵的逆谱问题就是确定n阶非负矩阵以σ为谱的充要条件.如果存在非负矩阵A以σ为谱,就称σ是可以实现的,或A实现σ.本文意在刻画λ_1和L的特征,使得σ={λ_1;L}可以被一个n阶非负矩阵实现,其中λ_1为可实现矩阵的perron特征值,主要方法是Brauer秩1扰动定理及行和相同的实矩阵的性质,得到具有复数谱集的若干可解条件,同时也结合具体实例证实了所给算法的有效性和实用性.

基于粗糙集的交叉覆盖神经网络研究

在探讨交叉覆盖神经网络的基础上,提出了一种基于粗糙集理论和交叉覆盖神经网络的集成算法。首先应用粗糙集对原始数据进行约简处理,在保证信息完整性的同时,减少了数据的维数,然后使用交叉覆盖算法设计多层前向网络。通过使用粗糙集进行数据约简,减少了交叉覆盖算法的计算量,降低了网络计算的复杂性。实验结果证明了此集成方法的有效性。

基于CCA的代价敏感三支决策模型

随着数据挖掘和机器学习技术在实际问题中的广泛应用,人们越来越多的发现实际分类问题通常具有代价敏感特性.代价敏感的分类是指在同一分类任务中错误分类的代价是不同的.介绍了一种基于构造性覆盖算法的代价敏感三支决策模型,即将代价敏感引入到基于构造性覆盖算法的三支决策模型.该模型根据误分类之间的大小关系来减少正、负覆盖的个数,从而调整三个域,即正域、负域和边界域的大小.引入代价敏感的目的是尽可能的减少划分损失.实验对比了本文的模型分类结果和基于决策粗糙集的三支决策模型,结果表明,本文的模型分类结果稳定,并且能够通过改变三个域的大小,把分类损失最小化.

CCA三支决策模型的边界域样本处理

构造性覆盖算法(constructive covering algorithm,CCA)三支决策模型在学习过程中根据样本分布特征,自动产生正域、负域和边界域。该模型为边界域样本处理问题提供了新的思路。重点讨论了基于CCA的三支决策的边界域样本处理问题。对边界域样本处理提出了两种决策方案:一种为处理全部的边界域样本,给出了距中心最近原则、距边界最近原则、万有引力原则3种方法;另一种为处理部分的边界域样本,即只对满足一定条件的边界域样本作进一步的划分,这样使不满足条件的边界域样本仍保留在边界域,提高了边界域样本处理的正确率。用十字交叉法在5组数据集上对这两种决策方案进行了对比,实验结果表明,处理部分边界域样本时正确率更高,效果更好。

非线性广义系统的右可逆性

研究了广义非线性系统的右可逆性 ,给出构造性的求逆算法以克服以往结果中需求解非线性方程组的困难 。

一类广义非负循环矩阵的逆谱问题

非负矩阵的逆谱问题是:确定一个n元复数组σ=(λ0;λ1,…,λn-1)是某个n阶非负矩阵的谱的充要条件.结合广义循环矩阵的性质,对一类非负r-循环矩阵的逆谱问题进行讨论,给出它有解的充要条件及其构造性算法,并在此基础上进行推广,继而给出非负中心对称循环矩阵逆谱问题有解的充要条件及其构造性算法.最后结合具体实例证实其算法的有效性和实用性.