基于用户信息向量聚类和改进SAMME的推荐算法

针对目前主流的推荐算法中获取的用户信息不完整以及推荐时间过长的问题,本文提出一种基于用户信息向量聚类和改进SAMME的推荐算法,该算法通过分析用户基本信息(地域、时间、兴趣、标签等),找出用户信息关键词;对不同用户信息关键词基于TF-IDF方法进行加权构建用户信息向量;接着使用K-means算法进行用户聚类分析,将用户聚类结果作为改进SAMME训练样本集;最后通过改进SAMME算法将预测结果对用户进行好友推荐,并在训练过程中保存模型,大大减少推荐时间。最终将本文算法在真实的微博用户数据集上进行实验,并与其他主流算法进行对比,结果显示本文算法在准确率、召回率、F值上都取得了不错的效果。

基于多分类Adaboost算法的驾驶人风险感知倾向研究

为预防和减少道路交通事故,利用多分类Adaboost SAMME算法辨识不同驾驶人的风险感知倾向。首先基于交通冲突分析方法,量化56位驾驶人的风险感知效用值;然后通过KMRTDS驾驶模拟器获取驾驶人在6个风险驾驶情境中的行为表征参数;最后运用线性判别分析(LDA)、Adaboost SAMME算法逐步构建基于驾驶行为数据的驾驶人风险感知倾向分类预测模型,并采用k折交叉验证法评估该模型的有效性。研究结果表明:所提模型预测准确率达92.9%,可以有效辨识不同驾驶人的风险感知水平,将驾驶人分为安全、激进、复合3种类型。

基于CFS-SAMME集成算法的入侵检测应用研究

针对当前网络入侵隐蔽性强、危害大、手段高,传统的入侵检测方法已经难以有效防范的问题,本文进行了基于CFS和SAMME多分类集成算法的入侵检测的应用研究。实验结果表明:经过相关性特征选择后的SAMME多分类集成算法不仅提升了检测准确率,也大幅度提高了入侵检测效率,为入侵检测提供了有效的思路和方法。