基于交叉覆盖算法的时间序列模式匹配

为了有效进行时间序列的匹配,提出了基于交叉覆盖算法的模式匹配方法。首先对时间序列进行预处理,使它们分布在n+1维空间中某个中心在原点的球面上,再通过学习构造分类器,实现序列的准确匹配。主要讨论完全匹配查询,即把两两相似的时间序列分别归类,所以利用交叉覆盖算法准确分类的功能可以完成所探讨的问题。

多层前向网络的交叉覆盖设计算法

文章根据多层前向权、阈值神经网络的设计原则，将设计过程分成两步进行：先用尽可能少的领域将样本中的各类分隔开来，然后再用作者提出的交叉覆盖算法进行网络设计．文章给出两个很有代表性的模拟例子，一个是平面上两根螺线的分离问题，另一个是“无穷样本学习”的例子．

基于交叉覆盖算法的入侵检测

文章提出了一种应用人工神经网络进行入侵检测分类器设计的新方法,即采用多层前向网络的交叉覆盖算法进行入侵检测分类器的设计。该算法克服了传统BP算法的收敛速度慢,易陷入局部最小点的问题。实验结果表明,该分类器用于入侵检测,效果良好,学习速度快,分类准确率高,为实现入侵检测分类器提供了一条准确高效的途径。

基于交叉覆盖算法的中文文本分类

基于向量空间模型的文本分类过程中遇到的最大问题就是以词为特征项的向量维数太大,需要进行特征选取,而交叉覆盖算法的输入集是n维欧式空间的点集,可以忽略维数的大小,从而最大程度上精确地表示文本,然后再进行分类,能够大大提高正确率。将交叉覆盖算法作为一种分类算法来进行中文文本分类,取得了不错的效果,在封闭测试中的准确率达到98.32%。

基于交叉覆盖算法的中文分词

中文分词是自然语言处理的前提和基础,利用分类效果较好的交叉覆盖算法实现中文分词。将中文分词想象成字的分类过程,把字放入向前向后相邻两个字这样一个语境下判断该字所属的类别,是自己独立,或是跟前一字结合,或是跟后一字结合,或是跟前后的字结合。对人民日报熟语料库进行训练,不需要词典,可以较好地解决中文分词中的交叉歧义问题,分词正确率达90.6%。

构造型神经网络双交叉覆盖增量学习算法

研究了基于覆盖的构造型神经网络(cover based constructive neural networks,简称CBCNN)中的双交叉覆盖增量学习算法(BiCovering algorithm,简称BiCA).根据CBCNN的基本思想,该算法进一步通过构造多个正反覆盖簇,使得网络在首次构造完成后还可以不断地修改与优化神经网络的参数与结构,增加或删除网络中的节点,进行增量学习.通过分析认为,BiCA学习算法不但保留了CBCNN网络的优点与特点,而且实现了增量学习并提高了CBCNN网络的泛化能力.仿真实验结果显示,该增量学习算法在神经网络初始分类能力较差的情况下具有快速学习能力,并且对样本的学习顺序不敏感.

基于交叉覆盖神经网络的车牌识别研究

汽车牌照的自动识别在智能交通系统中占有重要地位,应用前景广阔。本文基于交叉覆盖学习算法和附加样本技术,给出了一种车牌字符识别的方法,实验结果表明该方法能有效识别各种车牌中的字符,识别率高,具有较强的实用价值。

基于交叉覆盖算法的文本分类

分类是文本信息搜索和挖掘的核心内容,被广泛应用于搜索引擎的设计以及数据挖掘的研究中。首先对文本进行分词,对分词的结果采用x2统计量的方法提取特征,再使用前向神经网络的交叉覆盖算法作为分类器进行文本分类。实验表明,x2统计量可大规模降低特征维数,在此基础上结合交叉覆盖算法的优秀分类能力,可在特征维数较低的情况下获得一个性能较好的文本分类器。

一种基于聚类的交叉覆盖算法

与传统的前向神经网络相比,覆盖算法具有运行速度快、精度高的特点,但覆盖算法的初始领域中心是随机选取的。实验表明网络性能与学习顺序有密切的关系。在前向神经网络交叉覆盖算法基础上提出了一种新型改进的交叉覆盖算法——基于聚类的交叉覆盖算法。该方法是一种根据聚类结果确定学习顺序的方法。实例表明这种改进的算法是确定性学习方法,可以有效减少覆盖数量,提高交叉覆盖算法的测试速度,减少拒识样本数,提高识别的精度。

基于Rough集的交叉覆盖算法设计

This paer gives an artificial network(RCSN)combining rough set theory and covering design algorithm,which reduces condition attribute using rough set theory and designs the structure of neural network with covering de-sign algorithm. An instance shows this kind of network has the advantages of fast computation and high accuracy ;themethod also can cut down the occupying of memory and the cost of data collecting.

基于机器学习的舰船系统交叉覆盖数据分类方法

传统的舰船系统交叉覆盖数据分类方法存在着分类性能差的缺陷,为此提出基于机器学习的舰船系统交叉覆盖数据分类方法研究。采用随机森林算法对交叉覆盖数据的不相关特征属性进行剔除,得到有价值的交叉覆盖数据集合,利用领域粗糙集算法对有价值交叉覆盖数据集合的特征进行提取,以特征集合为依据,采用机器学习算法实现了舰船系统交叉覆盖数据的分类。通过实验得到,提出的舰船系统交叉覆盖数据分类方法的分类精度比传统方法高出30%,迭代次数比传统方法少了9次,说明提出的舰船系统交叉覆盖数据分类方法具备更好的分类性能。

无线传感网络交叉覆盖节点路由删除仿真研究

针对无线传感网络中节点的覆盖范围较小,删除无用路由所用时间较长,导致网络覆盖率低和路由删除效率低的问题,提出无线传感网络交叉覆盖节点路由删除方法。建立节点覆盖模型,在节点覆盖模型的基础上将无线传感网络的覆盖率和连通性当做综合评价函数,构建无线传感网络交叉覆盖节点优化布局的数学模型,并采用罚函数结合无约束优化模型代替传统约束优化模型。运用自适应遗传算法求解无约束优化模型,实现无线传感网络中交叉覆盖节点的优化布局,进而删除无线传感网络中存在的无用路由。分析实验结果得出,所提方法的网络覆盖率高、路由删除效率高,说明所提方法实际应用性强。

基于交叉覆盖算法的改进算法——核平移覆盖算法

文中对前向神经网络交叉覆盖算法进行了分析,并在此基础上引入统计学习理论中的核函数,提出了两者结合的方法———核平移覆盖算法(简称KMCA)。KMCA通过Mercer核,将输入空间的样本映射到高维特征空间,然后先覆盖、后平移,以使覆盖领域局部最优,实现在核空间中分类识别。实验的结果证明了KMCA的可行性和有效性。

前向神经网络交叉覆盖算法的一种改进

对前向神经网络交叉覆盖算法进行了分析,在此基础上提出了一种改进的交叉覆盖神经网络模型,并给出其算法。实例表明这种改进算法不但可以进一步提高交叉覆盖算法的训练速度,而且可以减少拒识样本数,提高识别的精度,对样本分布较稀疏的模式识别问题具有较强的实用价值。

基于机器学习的交叉覆盖信息捕获算法研究

随着系统复杂程度的增加,信息采集时很容易受到其它因素的影响而形成交叉覆盖,使信息具有不平衡、非线性等特点,难以实现信息的准确可靠捕获。为此提出一种基于机器学习的交叉覆盖信息捕获算法。为防止训练过程中单纯的距离计算引发邻近关系误判,采取欧式距离和局部均值相结合搜索特征属性的邻近元素,通过与特征属性的内外映射筛除原始信息中的非关联属性。为降低信息冗余度,利用信息熵描述未知信息量,并在信息熵基础上引入互信息来描述数据间的依赖关系,根据互信息矩阵完成主成分特征提取。最后利用机器学习的良好逼近性,构建SLFN学习网络,对网络模型进行正则化处理,并通过构建Lagrange函数求解网络输出加权,从而实现数据分类。仿真结果表明,所提算法对于不同复杂度的数据集具有更好的适应性,能够显著提高交叉覆盖信息捕获的准确率、鲁棒性,以及抗噪性。

基于交叉覆盖算法的股票预测

针对股票预测的特点,选择了对上市公司股票走势有重要影响的相关数据并对其进行测试,为了避免传统的神经网络分类方法(如BP算法)的学习过程收敛速度慢、网络性能差、可能存在局部极小值等弊端,文中使用可以避免这些弊端并且具有良好分类功能的交叉覆盖算法对上市公司股票走势进行预测,结果表明预测的精度明显高于采用BP算法等传统神经网络分类方法的测试结果,且速度快,结果的可解释性强,预测达到了让人满意的效果。

云环境下基于多层前向神经网络交叉覆盖算法的数据分类

基于云计算技术的神经网络方法研究为大规模数据的分析处理提供了廉价的、高效的解决方案,交叉覆盖算法可以较好地解决多层前向网络分类器的设计问题,弥补BP神经网络的不足.结合MP神经元的几何概念,基于交叉覆盖算法设计神经网络,以Iris数据集为例,基于云计算环境实现了数据分类,为多层前向神经网络在云环境下进行数据分析提供了一种有意义的研究和实践.

基于EMD与交叉覆盖算法的个人信用的评估

为了解决应用交叉覆盖算法实现个人信用评估时存在的问题,即同一信用等级的两个客户,可能会由于信用历史数据的某几维相差较大而不能归为同一类。提出了基于EMD与交叉覆盖算法的个人信用评估方法,首先对客户的信用历史数据进行EMD分解,提取出趋势序列,再利用交叉覆盖算法建立分类器,总结出分类的规则,用于测量借款人的违约风险,为消费信贷决策提供依据。实验结果表明,提出的个人信用评估方法降低了客户不能被分到自己所属信用等级的概率。

一种基于领域优化的集成交叉覆盖神经网络

文章介绍了交叉覆盖算法的基本思想,并对该算法的样本误识原因进行了分析,给出单个神经元的误识区域;在此基础上,提出了一种基于领域优化的集成交叉覆盖神经网络,在子网络的生成过程中,监视覆盖领域的生成情况,加入覆盖领域优化算法CAOA,避免集成后系统中出现覆盖领域重合、内切和外切的情况,以减小集成后系统的样本误识区域,提高系统的泛化性能。结果表明:采用基于CAOA的集成交叉覆盖神经网络可以减少拒识样本数,提高识别精度,对模式识别问题具有较强的实用价值。

被动相干盲源分离无线信道交叉覆盖算法

在集合PC机、无线传感器和Wi-Fi等通信网络进行无线传输网络组网中,功率消耗大,路径损耗多,需要进行无线传输网络组网交叉覆盖,以提高网络的吞吐性和抗干扰性。提出一种基于被动相干盲源分离算法的改进大功率无线传输网络组网交叉覆盖算法,构建大功率交叉网络模型,得到大功率交叉网络树状拓扑结构。采用隶属度调度控制Hough原理,对大功率交叉网络的分层信息数据进行分段处理,求解路由节点周期性的在一跳范围的检验统计量,在交叉网络跨层信息共享中,通过删除缓存数据得到跨层信息分组,实现交叉覆盖,实现无线传输网络组网交叉覆盖算法改进。通过仿真实验进行性能验证,得出采用该算法进行无线传输网络组网交叉覆盖,能改善输出信号质量,提高网络传输吞吐量,降低功耗损失。