基于半监督学习的多示例多标记E-MIMLSVM^+算法

多示例多标记是一种新的机器学习框架,在该框架下一个对象用多个示例来表示,同时与多个类别标记相关联。MIMLSVM^+算法将多示例多标记问题转化为一系列独立的二类分类问题,但是在退化过程中标记之间的联系信息会丢失,而E-MIMLSVM^+算法则通过引入多任务学习技术对MIMLSVM^+算法进行了改进。为了充分利用未标记样本来提高分类准确率,使用半监督支持向量机TSVM对E-MIMLSVM^+算法进行了改进。通过实验将该算法与其他多示例多标记算法进行了比较,实验结果显示,改进算法取得了良好的分类效果。

基于机器学习的绿色建筑智能控制

为提高绿色建筑中智能控制系统的自学习能力,通过分析用户对智能家居操作设定的规律,综合判断外部因素(室内外温度、湿度和光照度等)和内部因素(历史设定数据)对用户满意设定的影响。采用一种改进型自适应PSO优化的SVM模型,使用粒子群算法优化SVM模型的惩罚因子及核函数参数,充分发挥粒子群算法的寻优能力以及SVM模型对小样本和非线性关系的学习能力。以用户的满意温度设定为例,验证结果表明,该算法可以提高绿色建筑智能控制系统的自学习能力。

网络青年亚文化的“中心化”:认知、行动与结构——基于“中国青年网民社会心态调查(2009—2021)”的研究

依托“中国青年网民社会心态调查(2009—2021)”基于监督型机器学习(SVM)的大数据分析,探索青年亚文化的整体发展趋势与网络文化的结构特征。研究发现网络亚文化在青年群体内部形成更加统一的认知框架;在外部行动中更加主动地冲击主流文化,论争性、对抗性增强;其参与者具有较为集中的身份指征、相对稳定的群体结构,构成了中国网络青年亚文化以教育程度聚类的独特景观。认知一致性、行动对抗性和结构聚集性推动网络青年亚文化不断“中心化”,推动网络文化结构整体转型,在“心灵港湾”和“赛博战场”的龃龉中与主流文化持续互动。

基于子空间的可解释性多变量异常检测

为了解决在多维特征数据中,部分异常点被分散的特征空间所掩盖而无法检出的问题,以及缓解当前异常检测方法的结果可解释性差或不具有可解释性的状况,提出了基于子空间的可解释性多变量异常检测算法;首先在多维特征空间中,对每一个维度的特征进行分布检验,在此基础上为每一个对象选择出一个特征空间的集合,进而为每个对象计算出异常值分数;在此过程中,高效利用算法的中间过程产物,来对算法结果加以解释,改善使用者对数据的理解;使用真实数据集,对算法进行了验证,实验结果表明其具有较好的准确性和运行时间,并很好地解释了异常点的异常性。