针对现有模式分类方法不能较好地保持数据空间的局部流形信息或差异信息等问题,提出一种基于流形学习的局部保留最大信息差v-支持向量机(Locality-preserved maximum information variance v-support vector machine,v-LPMIVSVM).对于...针对现有模式分类方法不能较好地保持数据空间的局部流形信息或差异信息等问题,提出一种基于流形学习的局部保留最大信息差v-支持向量机(Locality-preserved maximum information variance v-support vector machine,v-LPMIVSVM).对于模式分类问题,v-LPMIVSVM引入局部同类离散度和局部异类离散度概念,分别体现输入空间局部流形结构和局部差异(或判别)信息,通过最小化局部同类离散度和最大化局部异类离散度,优化分类器的投影方向.同时,v-LPMIVSVM采用适于流形数据的测地线距离来度量数据点对间的相似性,以更好地反映流形数据的本质结构.人造和实际数据集实验结果显示所提方法具有良好的泛化性能.展开更多
研究现有元搜索引擎技术,提出了智能型元搜索引擎模型,即采用数据挖掘技术,根据独立型搜索引擎工作情况的记录,动态生成元搜索引擎的调度策略。在对各数据挖掘方法进行比较之后,选择了决策树归纳分类分析技术生成元搜索引擎调用策...研究现有元搜索引擎技术,提出了智能型元搜索引擎模型,即采用数据挖掘技术,根据独立型搜索引擎工作情况的记录,动态生成元搜索引擎的调度策略。在对各数据挖掘方法进行比较之后,选择了决策树归纳分类分析技术生成元搜索引擎调用策略,并详细介绍了调度策略的处理过程、系统评估度量的建立以及用微软最近发布的OLE DB for DM数据挖掘通用接口进行数据挖掘的具体实现。展开更多
文摘针对现有模式分类方法不能较好地保持数据空间的局部流形信息或差异信息等问题,提出一种基于流形学习的局部保留最大信息差v-支持向量机(Locality-preserved maximum information variance v-support vector machine,v-LPMIVSVM).对于模式分类问题,v-LPMIVSVM引入局部同类离散度和局部异类离散度概念,分别体现输入空间局部流形结构和局部差异(或判别)信息,通过最小化局部同类离散度和最大化局部异类离散度,优化分类器的投影方向.同时,v-LPMIVSVM采用适于流形数据的测地线距离来度量数据点对间的相似性,以更好地反映流形数据的本质结构.人造和实际数据集实验结果显示所提方法具有良好的泛化性能.
文摘研究现有元搜索引擎技术,提出了智能型元搜索引擎模型,即采用数据挖掘技术,根据独立型搜索引擎工作情况的记录,动态生成元搜索引擎的调度策略。在对各数据挖掘方法进行比较之后,选择了决策树归纳分类分析技术生成元搜索引擎调用策略,并详细介绍了调度策略的处理过程、系统评估度量的建立以及用微软最近发布的OLE DB for DM数据挖掘通用接口进行数据挖掘的具体实现。