一种结合类别权重及多示例的多标记学习改进算法

多标记学习主要用于解决单个样本同时属于多个类别的问题.传统的多标记算法在输入空间仅用单一示例表示多义性对象,过度简化了对象的复杂内涵,导致在表示阶段丢失重要信息.针对这一问题,提出一种结合类别权重及多示例的多标记学习改进算法CWMI-INSDIF.算法采用MIML(Multi-Instance Multi-Label learning)框架,在表示阶段,将学习样本分化为多示例包形式,在生成示例包过程中定义一组描述数据重要度的权重函数,并加入自适应惩罚策略,最终确定了学习样本中各部分信息的权重大小,从而在输入空间更好的描述了样本歧义性.算法给出了在公开数据集的实验结果.通过仿真分析,验证了本文提出的算法在学习性能和分类效果方面的提高.

基于自适应类别权重的HRRP决策融合识别

针对雷达高分辨率距离像(HRRP)识别中因特殊样本和分类器误判而出现的错误分类问题,提出了一种基于自适应类别权重的多分类器决策融合识别方法。该方法结合K-最近邻思想,利用最近邻和相似度准则挑选与测试样本对应的训练样本集,构造混淆矩阵自适应完成分类器置信度的计算和筛选,最终获得目标各类别权重,输出分类结果。基于实测数据的研究结果表明,相较于以上任意单个分类器和传统决策融合方案,文中提出的融合识别方法识别率有明显提高,并且随着噪声的增大,该方法的优势愈加突显。

论类别股和类别权:基于平衡股东利益的角度

公司是股东投资的产物,也是股东谋求各种利益的工具。每个股东投资于公司的目的是不同的,有些是为了将自己价值通过创办公司展现出来,有些是为了获取短期的利益回报等。由于利益追求的方向不同,再加上股东的个人意志参与其中,股东之间存在利益冲突是不可避免的。类别股和类别权就是这种利益冲突的反映。规制类别股和类别权的最大意义在于确立了一个规则,让股东通过彼此之间的合意可以获得有效的自我利益维护:对类别权的任何变动,必须经过该类别股东的同意。本文介绍了类别股和类别权的含义,并对我国引入这些概念进行了相关的探讨。

基于HFLTS中融合专家权重的群决策模型

针对犹豫模糊语言术语集多属性群决策(HFLTSMAGDM)问题,从平面坐标的角度出发建立了一类决策模型.在犹豫模糊语言术语集(HFLTS)中添加决策专家权重,进而构建一种加权的犹豫模糊语言术语集(WHFLTS);将WHFLTS转换为加权的区间值犹豫模糊集(WIVHFS),并对WIVHFS中的区间数(IN)进行测度,把IN的测度结果与其对应的决策专家权重以平面点坐标形式进行描述,在此基础上建立了2个犹豫模糊元(HFE)的大小比较规则及度量2个HFE的距离模型;分别定义了计算属性的整体权重、个体权重以及综合权重的计算方法,在属性的不同权重类别下皆采用Maclaurin对称平均算子集结HFE以获取各方案的综合属性值.案例分析表明,将WHFLTS转换为加权的犹豫模糊集并以平面坐标形式书写而建立的决策算法是可行的,且决策模型具有很好的稳定性.

类别股份法理研究

类别股份以股份本身所依附之权利事项为区分标准。类别股份之设计及权利配置得依公司之意思,但此之创设自由应以创设之意愿及股份之内容为界,不能及于创设行为本身。股份平等原则适用于公司发行之全部股份。不同种类的股份具有不同的权利、义务构成,但每种股份之权利、义务总体上应当是相当的,不同股份类别之间处于总体平衡的状态。类别权的变更需要征得权益受到影响的类别股东的同意,其法理基础在于不同类别股东的利益分化和由此形成的"分社团"。

改进的空间约束加权模糊核聚类红外图像分割

红外图像分割算法对复杂背景下的目标检测跟踪具有重要意义,提出了一种改进的基于空间约束的加权模糊核聚类红外图像分割新算法.在其中引入了红外图像像素间的空间位置约束关系和关于类别的结构信息,并定义了类别权重可靠性指数修正类别权重,不但抑制了红外图像中存在的噪声点和野值等干扰,而且可以保护红外图像中的小目标,防止被背景淹没.通过对实际红外图像的分割结果表明,该算法很大程度上减少了背景像素对目标识别的干扰,适于进行复杂背景下红外目标的准确分割.

基于句法分析和属性概率权重的跨语言情感分类算法

在篇章级情感分类研究方法中,算法常仅考虑情感的分布信息,忽略情感知识的语义信息,影响跨语言情感分类的准确率.针对上述问题,文中提出基于句法分析和属性概率权重的跨语言情感分类算法.首先,通过句法分析得到表征词语之间关系的依赖对,再将依赖对翻译到目标语言.然后,基于词典极性的分布信息与文档情感分类的相关性,将类别属性的语义权重特征融合到朴素贝叶斯分类方法中,实现新的分类方法.使用带标签的英文分类数据集作为训练语料,标准中文数据集作为测试语料进行实验,结果表明文中算法的有效性.

结合类别信念的AdaBoost算法(英文)

集成学习是一种受到广泛认可和使用的机器学习算法.为此提出一种新的多类集成学习算法,即AdaBoost belief.此算法改进多类集成学习算法AdaBoost·SAMME,使每个基分类器对于每个类别都有权重信息.这种类别上的权重被称为类别信念,可通过计算每次迭代中各个类别的正确率得到.将所提出的算法与原有的AdaBoost·SAMME算法从预测准确率、泛化能力以及理论支持等方面进行比较发现:在高斯数据集、多种UCI数据集以及基于日志的多类别入侵检测应用中,该算法不但具有更高的预测准确率和泛化能力,而且当类别数目增加,即类别更难以预测时,其分类错误率较原有AdaBoost·SAMME算法上升得更缓慢.

WWW中文信息自动分类方法研究

本文采用一种基于词的归类技术。在类别词专指度的计算中 ,考虑了类别词在语料中的频度、集中度和分布性等因素。根据HTML语言的标记特性 ,应用三维加权分类算法计算类别权值。采用Bayes公式变型 ,计算WWW中文信息文件归类可信度 ,并按可信度最大归类。对 10 8篇试语料进行测试 ,封闭测试的归类正确率为98 1% ,开放测试的正确率为 83 3%。

类别表决权:类别股股东保护与公司行为自由的衡平——兼评《优先股试点管理办法》第10条

2013年《国务院关于开展优先股试点的指导意见》的颁布意味着我国类别股制度的确立。优先股等类别股与普通股之间存在利益冲突,前者的类别权容易受普通股股东机会主义行为的侵害。类别表决权为类别股股东提供了对不完全的类别股合同进行事后补充和重新缔约的机会,对类别股股东保护具有重要价值。类别表决权实质是对公司行为的类别否决权,类别表决范围过宽将妨碍公司行为自由,因此应对类别股股东保护与公司行为自由进行衡平。文中对类别表决权适用范围的合理确定从法理和比较法两个方面进行分析,认为效率价值优位的公司法应优先保护公司行为自由,类别表决权适用范围应根据此价值判断合理确定。基于上述类别表决权一般原理,文中对我国证监会《优先股试点管理办法》中优先股的类别表决权进行评析,认为该办法过分扩大了强制类别表决事项,妨碍了公司行为自由和适应市场的灵活性,过分侵占了公司内部治理的空间。

快速的文本倾向性分类方法(英文)

提出了一种快速的文本倾向性分类方法,即采用类别空间模型描述词语对类别的倾向性,基于词的统计特征实现分类;针对倾向性分类的复杂性,在综合考虑词频、词的文本频、词的分布三种统计特征的基础上,提出一种新的二次特征提取方法:第一次特征提取,采用组合特征提取方法,除去低频词以及在各类中均匀分布的噪音词;第二次特征提取,去除类别倾向性不明显的词。实验表明该分类方法不仅具有较高的分类性能,而且运行速度快,在信息检索、信息过滤、内容安全管理等方面具有一定的实用价值。

基于多标记学习改进算法的入侵检测系统研究

针对企业信息化系统存在的问题,分析了当前网络安全存在的误报和漏报现象,对海量信息分析代价大、无法预知安全策略内容、系统自身安全等方面问题作了探讨,设计并建立了基于多标记学习改进算法的入侵检测系统模型。该模型主要包括数据采集、数据预处理、算法检测及响应处理等模块。在设计好基于多标记学习改进算法的入侵检测系统后,将该系统部署到原有系统中,并检测入侵数据,数据检测监控界面显示入侵检测系统的检测结果。针对未处理的网络连接记录,系统管理员可通过手动方式判断其是否为攻击行为;而对于异常的数据,系统会将此类型的攻击行为添加到样本库中。算法在适当的时间通过新的样本库来完善分类器。该模型在不改变原有信息化系统工作的基础上,实现了入侵检测系统的应用。

基于Focal损失SSDAE的变压器故障诊断方法

研究变压器的故障诊断对电力系统安全稳定运行具有重大现实意义。以油中溶解气体特征为输入的传统变压器故障诊断方法在处理样本不平衡数据时具有较大的局限性。针对这一问题,文中提出一种基于Focal损失栈式稀疏降噪自编码器(SSDAE)的变压器故障诊断方法。该方法通过类别权重确定超参数,并在原始输入中加入高斯白噪声,有利于自编码器充分提取有效特征,进而得到有效的深度特征提取模型;采用Focal损失函数对模型进行优化,并利用Softmax分类器输出诊断结果。案例分析结果表明,与传统三比值法、反向传播神经网络(BPNN)和支持向量机(SVM)法等变压器故障诊断方法相比,文中方法可进一步提升诊断准确率。

类别表决权:类别股股东保护与公司行为自由的衡平——兼评《优先股试点管理办法》第十条

我国引入优先股意味着我国公司法类别股制度的确立。类别股与普通股之问存在利益冲突,前者的类别权容易受到普通股股东机会主义行为的侵害,类别表决权对优先股保护具有重要价值。类别表决权实质是对公司行为的类别否决权,类别否决范围过宽将妨碍公司行为自由,因此应对类别股保护与公司行为自由进行衡平。效率价值优位的公司法应优先保护公司行为自由,类别表决权适用范围应根据此价值判断合理确定。文中对类别表决权适用范围如何确定从法理和比较法两个方面进行分析论证。基于类别表决权上述一般原理,文中对我国证监会《优先股试点管理办法》中优先股的类别表决权进行评述,认为该办法过分扩大了强制类别表决事项,妨碍了公司行为自由和适应市场的灵活性,过分侵占了公司内部治理的空间。

一种快速文本归类算法的设计与实现

为实现无维数约减技术而使分类算法可行且不浪费空间存储的超稀疏文档向量,同时保证分类精度和速度且两者相互独立的目标,提出使用类别特征信息数据库、类别特征权重向量模型、待归类文档压缩向量表示法和改进的Rocchio分类算法等技术实现文档的高速归类.在相同的Reuters测试语料集上,与CRF算法和改进的kNN算法进行对比实验.结果表明,在基本不牺牲精度的情况下,归类算法的分类速度明显高于对比算法.

一种基于多标记的局部离群点检测算法

基于密度的局部离群点检测算法(LOF)不适用于解决高维度、多义性的数据集检测.通过对LOF算法的分析,提出了一种基于多标记学习(Multi-Label Learning,MLL)的局部离群点检测算法MLL-LOF(a local outlier factor based on multi-label learning).该算法采用MLL框架,首先将真实对象数据拆分成多示例包形式,然后运用退化策略及相应的权重调整,计算最终离群点因子,判别离群点.并运用实际企业的监控数据将MLL-LOF算法与其他经典的局部离群点检测算法进行了对比实验,结果表明提出的MLL-LOF算法检测的精准率、召回率、F1值以及时间效率均优于传统的局部离群点检测算法.

一种基于K-means算法的产品定制特征分类方法

对于产品的定制产业,客户对产品定制的满意度取决于定制的效率和智能化程度。为了提高产品定制效率和定制的智能化程度,改善定制过程的引导性和条理性,提出了一种基于K-means算法的产品定制特征分类方法。首先构建定制产品特征数据集和顾客需求数据集之间的关联映射模型;然后定义产品特征关联度计算,利用产品特征关联度和类别权重指标为参数,采用K-means聚类算法对定制产品特征进行聚类迭代计算,将产品定制特征进行分类;最后,以家用电器洗衣机产品为案例,验证了该方法的可行性与有效性。

融合图卷积网络与节点相似度的遥感图像检索

针对如何充分利用图像之间的语义关系提高检索特征表征能力的问题,该文提出了基于融合节点注意力机制的图卷积神经网络的遥感图像检索特征提取模型。该模型通过聚合节点和其邻域节点的特征构建图像的图聚合特征,获取更好的遥感图像检索特征。提出了综合图像特征的欧氏距离和图像集合的相似度的节点相似度作为图像相似度准则,提升度量图像距离的准确性;此外还将图卷积神经网络强大的节点分类能力和图像到类距离构建基于类别权重的节点相似度准则进行遥感图像检索,进一步提升遥感图像检索精度。在UCMD、SIRI_WHU和PatternNet 3个公开遥感图像数据集上进行了测试和验证,mAP较其他方法分别提升了0.91%、1.43%和0.08%。结果表明,该方法能够提升遥感图像检索精度。