基于云理论和核向量空间模型的电力变压器套管绝缘状态评估

为了解决电力变压器套管绝缘状态评估中存在不确定性因素的问题,提出了一种新的状态评估方法。该方法全面考虑评估指标等级分类边界的随机性和模糊性,采用由云推理确定指标客观权重,由未确知理论确定主观权重的组合赋权法。建立了核向量空间模型,利用核函数将样本映射到高维特征空间的方法,在高维特征空间定义样本数据的指标有向线段和变压器套管绝缘等级标准的理想指标有向线段。进而通过计算两线段之间的夹角加权余弦获得样本与标准模式的贴近度,将绝缘评估问题转化为向量空间的模式识别问题,最终得出变压器套管所处的绝缘状态。实际算例表明该套管在第1次测试时,其绝缘状态贴近正常的贴近度最大即处于正常状态;第2次和第3次测试时,贴近故障的贴近度最大即处于故障状态。

核向量空间模型在电能质量综合评估中的应用

针对电能质量综合评估的特点,提出了利用聚类层次分析法确定主观权重和熵权法确定客观权重的组合赋权法。建立核向量空间模型,利用核函数将输入样本映射到高维特征空间,在高维特征空间定义各样本的指标有向线段和电能质量等级标准的理想指标有向线段。采用两线段之间的夹角加权余弦值衡量样本与标准模式的贴近度,将电能质量综合评估问题转化为向量空间的模式识别问题,实现电能质量的综合评估。实际算例表明该方法能够得到客观、合理的综合评估结果,验证了该模型的有效性和优越性。

基于核向量空间模型的专利分类

提出了一种利用核函数改进向量空间的新模型:核向量空间模型.该模型利用Mercer核,把输入空间的样本映射到高维特征空间,在高维特征空间中按向量空间模型操作,然后用核向量空间模型实现专利分类.理论分析及在专利分类中的实验表明,所提出的模型比经典向量空间模型有更高的正确分类率.

基于核Fisher判别的中文文本情感分类研究

针对文本情感分类准确率不高的问题,提出基于核Fisher判别的文本情感分类方法,判别文本观点是正面还是负面。首先采用向量空间模型对文档进行数据化表示,然后将不同权重计算方法和词性特征选择规则与核Fisher判别方法相结合来判别文档的情感观点。实验结果表明:核Fisher判别方法在训练的过程中使用了所有的文本特征向量而不是少数几个支持向量,因此比传统支持向量机具有较高的分类准确率,同时不同的权重特征计算方法和词性特征的选取规则对文本情感分类准确率具有较大的影响。

面向Web信息检索的虚核文本分类算法

提出一种虚核文本分类算法。通过单类别下标记数据的特征词频计算该类别虚核在每个特征项处的特征引力场强,进而获得类别虚核,根据类别虚核对待标记文本产生的引力大小判断其所属类别。实验结果表明,与k近邻算法和朴素贝叶斯算法相比,虚核算法在分类精度和时间开销方面具有较大的优势。

一种组合核相关向量机的短时交通流局域预测方法

为有效提高短时交通流预测的精度,提出一种基于组合核相关向量机模型的短时交通流局域预测方法.首先利用C-C方法实现相空间重构,然后根据Hannan-Quinn准则确定邻近点个数,进而构建基于粒子群优化的组合核相关向量机模型,最后采用上海市南北高架快速路的感应线圈实测数据进行实验验证和对比分析.实验结果表明:基于组合核相关向量机模型的短时交通流局域预测方法的预测误差和均等系数均优于对比方法,其中,平均绝对百分比误差比GKF-RVM模型、GKF-SVM模型和加权一阶局域预测模型分别降低了29.2%、47.5%和59.5%,能够进一步提高短时交通流预测的精度.

基于稀疏特征空间的核方法建模研究

为提高支持向量机在建模方面的拟合性能,针对核函数方法中单个核函数的局限性,尝试融合核支持向量机建模方法以提高模型的泛化能力和精度。为避免在进行核融合时,支持向量机稀疏性的缺失,提出将数据映射到稀疏特征空间进行研究。通过仿真研究表明,所建模型在保证稀疏性的前提下,能较好地提高建模精度,从而验证了算法的有效性。

基于CLSVSM的惩罚性矩阵分解及其在文本主题聚类中的应用

文本信息的合理表示对文本主题聚类及检索有重要作用。针对文本表示模型维度较高的问题,基于共现潜在语义向量空间模型(CLSVSM)研究惩罚性矩阵分解(PMD),利用PMD对向量进行稀疏约束,提取核心特征词,进而实现原始数据的重建;通过共现分析理论及PMD方法,深度挖掘特征词之间的语义信息,构建语义核函数(PMD_K)。将本文方法应用于文本主题聚类中,实验结果显示,PMD和PMD_K这2种方法的聚类效果均明显优于其他方法,以F值为例,PMD_K方法较以往的95%CLSVSM_K方法,F值提高了21.9%。将PMD与文本表示模型相结合,在提高了文本主题聚类的效率和精度的同时,还避免了对高维矩阵的复杂运算。

多级中文文本情感分类算法研究

针对文本情感分类准确率不高的问题,提出基于CCA-VSM分类器和KFD的多级文本情感分类方法。采用典型相关性分析对文档的权重特征向量和词性特征向量进行降维,在约简向量集上构建向量空间模型,根据模型之间的差异度设计VSM分类器,筛选出与测试文档差异度较小的R个模型作为核Fisher判别的输入,最终判别出文档的情感观点。实验结果表明:该方法比传统支持向量机有较高的分类准确率和较快的分类速度,权重特征和词性特征对分类准确率的影响较大。

基于图核算法的文本分类

在文本分类研究中,向量空间模型具有表示形式简单的特点,但只能表示特征词的词频信息而忽视了特征词间的结构信息和语义语序信息,所以可能导致不同文档被表示为相同向量。针对这种问题,本文采用图结构模型表示文本,把文本表示成一个有向图(简称文本图),可有效解决结构化信息缺失的问题。本文将图核技术应用于文本分类,提出适用于文本图之间的相似度计算的图核算法——间隔通路核,然后利用支持向量机对文本进行分类。在文本集上的实验结果表明:与向量空间模型相比,间隔通路核相比于其他核函数的分类准确率更高,所以间隔通路核是一种很好的图结构相似性计算算法,能广泛应用于文本分类中。

基于FVSM的核聚类算法在文本聚类中的应用

针对信息挖掘中的文本自动聚类问题,提出了一种基于模糊向量空间模型的核聚类算法。首先对聚类文本进行模糊特征提取得到模糊特征项集,然后依据模糊特征项集对每篇文本计算特征项的文档频数,进而得出每篇文本的模糊特征向量。最后利用高斯核函数将每篇文本的特征向量映射到高维特征空间,在高维特征空间中利用核聚类算法实施文本聚类。该方法在特征提取时充分考虑了特征项在文档中的位置信息,使自动聚类原则更接近手工聚类方法。以中国期刊网全文数据库部分文档数据为例验证了该方法的有效性。

基于离散核支持向量机的文本自动分类

传统基于向量空间模型的文本分类方法需要对文档进行预处理,同时也会损失很多有用的信息。该文提出一种基于离散核支持向量机的文本分类方法,直接根据文档的字符序列构造离散核,用于支持向量机分类算法,比较文档之间的相似性,从而改善文本分类的效果。证明了离散核支持向量机方法的时间复杂度与文本的长度成O(n)关系。在R eu ters-21578文档集上将离散核方法与多项式核、高斯核方法进行比较,实验结果表明该文所提方法在简化分类方法的同时也可以提高分类的精度。