离散Bayes网诱导的概念类VC维数的下界

考虑一般Bayes网中每个随机变量取任意有限值时,其诱导的概念类VC(Vapnik-Chervonenkis)维数的下界.通过分析网络中可自由设定的参数个数与相应VC维数的关系,证明任意离散非完全Bayes网的可自由设定参数个数加1后,是相应VC维数的一个下界.

基于SEM图像的烧结矿分形维数程序化计算

烧结矿做为炼铁的中间产物,是一种多相介质。成品烧结矿的显微结构直接影响着烧结矿的质量。但由于烧结矿微观结构的极端不规则性,很难用传统的定量方法对其进行准确描述,分形理论的引入为我们提供了崭新的思路。分形理论研究中的一个重点问题是材料分形维数的计算,在许多情况下,材料某一方面的分形维数是通过二维数字图像的分析计算得到的。针对烧结矿扫描电子显微镜(SEM)图像的特点,采用VC++计算机程序语言,研究并设计了基于烧结矿SEM显微图像的分形维数计算程序(FWJS),对烧结矿的分形研究有很重要的实用意义。

用VC++实现地学中对应分析因子载荷图的探讨

在运用对应分析因子载荷图获取地学信息的前提下,用VC++对图形绘制应解决的问题进行了实现,确保所绘图形整体布局合理、横纵坐标标注清晰、数据文字标注和显示准确、颜色选取适当。并对图示维数和图形放缩进行了探讨,特别是通过改变坐标轴比例尺,能清晰地根据样品点和变量点的相对位置进行分组,为信息获取提供了灵活性。

参数自适应决策的多分辨率核支持向量分类器

为克服经典支持向量分类器(SVC)训练算法中参数的选择需要多次人工调整的缺陷,本文提出了基于多分辨率核的支持向量机参数自适应调节策略。首先通过分析非线性核映射的特征空间超平面的最小VC维数,提出了多分辨率核函数参数的自适应优化准则。然后通过迭代求解获得最优泛化能力的多分辨率核参数数值。多分辨率核函数方法保持了经典SVC训练算法结构风险最小化的原则,克服了经典SVC选择单一参数的缺陷。仿真实验结果表明本文提出的算法能够自适应的选择合适的核参数达到最优泛化能力。

人工神经网络知识增殖性分析

人工神经网络的知识增殖能力是该领域的热点和难点问题 ,具有重要的理论和实践意义 对人工神经网络的知识增殖性问题进行了较深入的探讨 ,从网络推广能力的角度分析了具有知识增殖能力的神经网络系统的结构设计问题 ,指出将多个网络个体结合在一起是实现人工神经网络增殖学习的重要方法 ,网络的自治能力在此具有重要的意义 利用具有自治能力的神经网络构建的网络群体中 ,网络个体无需改变而整体具有增殖学习能力 。

基于线性规划的回归支撑向量机

在结构风险中采用l∞-范数来控制模型复杂性的基础上,提出基于线性规划的支撑向量机,并通过求解对偶规划来提高单纯形学习算法的计算速度.数值试验结果表明,此类支撑向量机的学习效果与经典的支撑向量机的学习效果相似,当学习样本个数增加时线性规划支持向量机的学习时间增加的要少得多,但是支撑向量个数比较多.

贝叶斯网络诱导的内积空间

概率模型和核函数相结合的方法是学习系统的热点研究领域,贝叶斯网络是重要的一类概率图形模型。文中主要讨论了变量取值在布尔域上的两类分类任务,重点讨论了几个常见贝叶斯网络诱导的内积空间的最低维数,为解决一些常见的分类问题提供了理论依据。文中通过分析概念类的VC维来确定其欧几里德维数的下界,VC维还可用于估计贝叶斯网络概念类的复杂性和判断概念类的分类性能。

基于线性规划的分类支持向量机

针对支持向量机(Support Vector Machine,SVM)在分类问题上的运用,分析在结构风险中采用一般范数控制模型的复杂性问题,提出基于l1-范数和l∞-范数的两种线性规划支持向量机,包括线性支持向量机和非线性支持向量机.采用模拟数据对4种支持向量机进行数值试验,其中有3种是线性规划支持向量机(包括提出的两种支持向量机)和经典的二次规划支持向量机.实验结果表明,对线性支持向量机中3种支持向量机计算的模型参数均与理论值接近;对非线性支持向量机情形中l1-范数支持向量机具有最少的支持向量和较好的学习效果.

关于Sauer引理的一个推广

Sauer引理是统计学习理论中的基本结论.在许多实际问题中,需要研究N类模式识别问题.本文将Sauer引理推广到N类分类问题.

四值贝叶斯网络诱导的内积空间

结合贝叶斯网络与核函数,通过概率分布等价性的转换,分析了四值贝叶斯网络诱导的内积空间,得到无连接、全连接以及k个节点具有一个父节点的特殊四值贝叶斯网络诱导的内积空间的最低维数。为进一步研究多值贝叶斯网络诱导的内积空间开辟了新途径,还通过分析概念类的VC维确定了其欧几里德维数的下界。VC维还可用于估计贝叶斯网络概念类的复杂性和判断概念类的分类性能。

一种新的受限扩散凝聚模型-DLUA

本文提出一种新的DLA模型-DLUA,在VC++下实现其模拟生长的动态过程,分别求出不同规模下凝聚体的盒维,用线性回归方法对所得数据进行分析,最后得到DLUA的盒维DB≈1.747305,结果表明:DLUA分形凝聚体满足标度不变性和自相似性。