基于相似度差的大间隔快速学习模型

许多模式分类方法比如支持向量机和L2核分类器等都会利用核方法并转化为二次规划问题进行求解,而计算核矩阵需要O(m2)的空间复杂度,求解QP问题则需要O(m3)的时间复杂度,这就使得此类方法在大样本数据上的学习性能非常低下。对此,首次提出了相似度差支持向量机算法DSSVM。算法旨在寻求样本与某类相似度的一个最佳线性表示,并从线性表示的稀疏性以及相似度差意义上的间隔最大化角度构造了新的最优化问题。同时,证明了该算法等价于中心约束型最小包含球问题,这样就可以通过引入最小包含球的快速学习理论将相似度差支持向量机扩展为相似度差核支持向量机DSCVM,从而较好地解决了大规模数据集的分类问题。实验证明了相似度差支持向量机和相似度差核支持向量机的有效性。

不完备区间值信息系统的粗糙集约简算法

探讨不完备区间值信息系统的属性约简问题。定义了一种相似联系度容差关系,基于此关系建立了拓展粗糙集模型。然后通过定义双参数分配约简和同异反可辨识矩阵,给出了基于同异反可辨识矩阵的双参数分配约简算法。所建模型可根据不同的用户需求和数据集的分布特点对参数进行动态调整,更符合实际。最后给出了数值例子,并分析了不同参数值对约简结果的影响。