基于非线性特征和Cauchy加权M-估计量的鲁棒推荐算法

协同推荐系统作为一种重要的个性化服务模式,在电子商务站点中的应用越来越广泛.然而,各种恶意欺骗和虚假反馈已制约了其应有效能的发挥.如何有效识别和抵御托攻击,确保系统推荐的可信性,是推荐系统研究面临的一大挑战.为了确保推荐的可信性,人们提出了各种基于矩阵分解的鲁棒协同推荐算法.但是这些推荐算法在面对托攻击时不仅精度损失大,而且鲁棒性较差.为此,该文提出一种基于非线性特征和Cauchy加权M-估计量的鲁棒推荐算法.首先,采用核主成分分析方法提取用户评分矩阵的非线性特征,以充分挖掘推荐系统中用户(或项目)之间的内在关联,最大限度地保留用户和项目的特征信息,提高推荐精度和鲁棒性;然后,引入鲁棒统计中的Cauchy加权M-估计量,并联合矩阵分解模型对用户和项目特征矩阵进行鲁棒参数估计,以限制攻击概貌对参数估计过程产生的影响;最后,设计相应的鲁棒协同推荐算法,并在MovieLens和Netflix数据集上对算法的有效性进行评价.实验结果表明:该文算法在推荐精度和鲁棒性方面明显优于现有的鲁棒推荐算法.

Clifford分析中双正则函数的Laurent展式和Liouville定理

利用特异边界的Cauchy积分公式,得到了双正则函数的Laurent展式,留数定理;Cauchy核展开,给出了双正则函数一种新的展式,得到了展式中各项的Cauchy估计,而后定义了可去奇点,通过其充要条件得到了Liouville定理.

BP神经网络学习速度及泛化能力的提高

针对BP网络学习速度的缓慢性及较差的泛化能力,本文提出了几种改进的学习算法。其改进具体表现在以下方面:1)采用Cauchy误差估计器代替传统的LMS误差估计器;2 )对常规的Sigmoid函数引入形态因子;3)自适应修改学习率;4 )采用规则化调整提高泛化能力。并以MATLAB神经网络工具箱中相关函数验证了3) 4 )两种改进算法的优越性。

钢材性能与工艺参数的交叉预测模型研究

为了克服BP神经网络算法的固有缺陷,增强其在钢材生产实践和事故调查中应用实效,提出了对BP神经网络算法的改进措施,并通过排列组合建立了钢材性能、温控工艺和化学成分添加工艺三组数据的6种交叉预测模型。该方法将遗传算法与小生境技术和禁忌算法相结合,优化了BP神经网络初始权值和阈值的选取,避免陷入局部最优解;利用Cauchy误差估计器代替传统均方差估计器,改进了BP神经网络误差统计方法,降低少数异常输入元素对结果的影响。实验结果表明,所有模型训练后检验精度均较高,总体平均相对误差较小,表明了该算法模型具备良好的预测能力和现实可行性。

改进BP算法用于入侵检测

为了降低入侵检测系统的误警率,提高检测率,在入侵检测模型中应用了一种改进BP算法.该算法用Cauchy误差估计器代替传统的LMS误差估计器,提高了模型的鲁棒性,降低了训练样本“异常值”对收敛速度的影响.最后,以网络数据包为样本数据对模型进行训练,比较了改进BP算法与标准BP算法的实验结果,验证了该算法的优越性.

周期异方差时间序列中季节单位根的Gauss检验

为检验带异方差的季节时间序列中的单位根,提出了基于Cauchy估计的Zc统计量.在原假设下得到该检验统计量的极限分布服从于标准正态分布,并与季节周期d和误差项的周期异方差无关.Monte Carlo模拟计算表明当模型中自回归系数接近1时,用该方法得到的估计值比普通的最小二乘方法得到的估计值误差小.计算结果和实例分析结果表明了用该方法检验季节单位根的简便性和有效性.