检索结果-内蒙古大学图书馆

研究了基于聚类技术提高分类器差异性的方法.通过Bootstrap技术与分类器学习算法训练分类器模型,利用分类器在验证集上的分类结果作为聚类的数据对象;然后应用聚类算法对这些数据聚类,并在每个簇中选择分类器代表模型,以此构成集成学习的成员;最后应用融合方法实验研究了基于聚类技术提高差异性的集成学习性能,并与集成学习方法bagging,adaboost进行了实验比较.

关键词：集成学习差异性聚类分类器

来源：评论

学校读者我要写书评

暂无评论

基于正则化的相关熵平均近邻最大间距特征提取方法

引用

电脑编程技巧与维护 2014年第6期 17-20页

作者：马琳娜河北大学数学与计算机学院机器学习与计算智能重点实验室河北保定071002

针对传统的平均近邻最大间距特征提取方法对噪声敏感的缺点,提出了基于正则化的相关熵平均近邻最大间距(RCANMM)特征提取方法,使用相关熵衡量数据间的相似程度,提高了原方法的鲁棒性。在目标函数中添加正则化项,提高了泛化性。在AR、YAL... 详细信息

针对传统的平均近邻最大间距特征提取方法对噪声敏感的缺点,提出了基于正则化的相关熵平均近邻最大间距(RCANMM)特征提取方法,使用相关熵衡量数据间的相似程度,提高了原方法的鲁棒性。在目标函数中添加正则化项,提高了泛化性。在AR、YALE-B和ORL人脸数据库上的实验结果表明,RCANMM相比传统ANMM方法有较好的性能。

关键词：特征提取正则化相关熵半二次优化技术 ANMM方法

来源：评论

学校读者我要写书评

暂无评论

基于样本选取和加权KPCA-L1的异常检测

引用

计算机应用研究 2016年第5期33卷 1354-1358页

作者：安磊磊邢红杰河北大学计算机科学与技术学院河北保定071002 河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室河北保定071002

为了提高基于一范数的核主成分分析算法(KPCA-L1)处理异常检测问题的速度,提出了基于样本选取和加权KPCA-L1的异常检测方法。该方法从训练集中选取具有代表性的特征子集,然后为所得特征子集中的样本赋予权重,用带有权重的特征子集训练模... 详细信息

为了提高基于一范数的核主成分分析算法(KPCA-L1)处理异常检测问题的速度,提出了基于样本选取和加权KPCA-L1的异常检测方法。该方法从训练集中选取具有代表性的特征子集,然后为所得特征子集中的样本赋予权重,用带有权重的特征子集训练模型,构造加权KPCA-L1。与KPCA-L1相比,该方法能够有效地减小训练集的规模,同时改善了KPCA-L1算法的更新方法。在人工数据集和标准数据集上的实验结果表明,在保证异常检测准确率的前提下,该方法比KPCA-L1具有更快的建模速度。

关键词：核主成分分析一范数样本选取异常检测

来源：评论

学校读者我要写书评

暂无评论

样例约简支持向量机

引用

计算机科学与探索 2011年第12期5卷 1131-1138页

作者：翟俊海王婷婷王熙照河北大学数学与计算机学院河北省机器学习与计算智能重点实验室河北保定071002

支持向量机(support vector machine,SVM)仅利用靠近分类边界的支持向量构造最优分类超平面,但求解SVM需要整个训练集,当训练集的规模较大时,求解SVM需要占用大量的内存空间,寻优速度非常慢。针对这一问题,提出了一种称为样例约简的寻... 详细信息

支持向量机(support vector machine,SVM)仅利用靠近分类边界的支持向量构造最优分类超平面,但求解SVM需要整个训练集,当训练集的规模较大时,求解SVM需要占用大量的内存空间,寻优速度非常慢。针对这一问题,提出了一种称为样例约简的寻找候选支持向量的方法。在该方法中,支持向量大多靠近分类边界,可利用相容粗糙集技术选出边界域中的样例,作为候选支持向量,然后将选出的样例作为训练集来求解SVM。实验结果证实了该方法的有效性,特别是对大型数据库,该方法能有效减少存储空间和执行时间。

关键词：相容粗糙集样例选择支持向量机(SVM) 最优分类超平面统计学习理论

来源：评论

学校读者我要写书评

暂无评论

具有B(L)=m-3的m维非交换3-李代数的结构

引用

东北师大学报（自然科学版） 2021年第4期53卷 6-10页

作者：白瑞蒲吴婴丽河北大学数学与信息科学学院河北保定071002 河北省机器学习与智能计算重点实验室河北保定071002

研究了满足β(L)=m-3的m维非交换3-李代数的结构,证明了β(L)=m-n的一般m维非交换n-李代数L幂零的充要条件,并分别对导代数维数是1和2且导代数包含中心的m维非交换3-李代数L的结构进行了刻画.

关键词： 3-李代数极大Abel理想导代数中心

来源：评论

学校读者我要写书评

暂无评论

无限维齐性Rota-Baxter 3-李代数(Ⅰ)

引用

河北大学学报（自然科学版） 2021年第6期41卷 633-637页

作者：白瑞蒲刘山河北大学数学与信息科学学院河北保定071002 河北省机器学习与智能计算重点实验室河北保定071002

利用无限维3-李代数A_(ω)={L_(m)|m∈Z}上所有满足h(0)+h(1)+1≠0的齐性Rota-Baxter算子R,构造了齐性Rota-Baxter 3-李代数,其中h:Z→F,R(L_(m))=h(m)L_(m),■_(m)∈Z,并对所构造的3-李代数进行了分类,证明了存在5类不同构的齐性Rota-B... 详细信息

关键词： 3-李代数齐性Rota-Baxter算子 Rota-Baxter 3-李代数

来源：评论

学校读者我要写书评

暂无评论

带有方差减小的加权零阶随机梯度下降算法

引用

河北大学学报（自然科学版） 2019年第5期39卷 536-546页

作者：鲁淑霞张罗幻蔡莲香孙丽丽河北大学数学与信息科学学院河北省机器学习与计算机智能重点实验室河北保定071002 河北省教育考试院河北石家庄050091

随机梯度下降(stochastic gradient descent,SGD)算法是机器学习问题中的高效求解方法之一.但是,对于非平衡数据,传统的随机梯度下降算法,在训练时多数类点被抽到的概率远大于少数类点,易导致计算不平衡;对于目标函数不可导或不易求导... 详细信息

随机梯度下降(stochastic gradient descent,SGD)算法是机器学习问题中的高效求解方法之一.但是,对于非平衡数据,传统的随机梯度下降算法,在训练时多数类点被抽到的概率远大于少数类点,易导致计算不平衡;对于目标函数不可导或不易求导的问题,计算代价太大或无法进行计算;在每次迭代中利用单个样本梯度近似代替全梯度,这必然会产生方差,严重影响算法的分类性能.针对上述问题,提出了带有方差减小的加权零阶随机梯度下降算法,考虑了数据的间隔分布情况,在目标函数中引入了间隔均值项,并对多数类样例赋予了较小的权值,对少数类样例赋予较大的权值.在对优化问题的求解中,采用零阶优化的方法对梯度进行估计,并且引入了方差减小策略.在一些非平衡数据集上的实验验证了所提算法的有效性,并有效解决了上述问题.

关键词：零阶优化随机梯度下降方差减小非平衡数据支持向量机

来源：评论

学校读者我要写书评

暂无评论

广义拟阵的约简与近似算子

引用

模糊系统与数学 2022年第1期36卷 120-129页

作者：毛华连萌璇刘谦王刚河北大学数学与信息科学学院河北保定071002 河北大学河北省机器学习与计算机智能重点实验室河北保定071002 河北大学生命科学学院河北保定071002

广义拟阵作为拟阵结构的拓广形式之一,在许多领域扮演着重要的角色。为了将广义拟阵理论进一步地拓广,首先基于覆盖粗糙集,提出可约广义拟阵的定义,并给出相关的算法和实例。其次,为了实现不同广义拟阵知识层面上知识的表述,将拟阵中秩... 详细信息

广义拟阵作为拟阵结构的拓广形式之一,在许多领域扮演着重要的角色。为了将广义拟阵理论进一步地拓广,首先基于覆盖粗糙集,提出可约广义拟阵的定义,并给出相关的算法和实例。其次,为了实现不同广义拟阵知识层面上知识的表述,将拟阵中秩强映射的定义推广到广义拟阵中,并且基于此定义,对于广义拟阵提出一种特殊的秩强映射——保基秩强映射。然后,基于粗糙集近似算子的定义,给出广义拟阵相应的近似算子及其相关性质的证明,以此实现在同一个广义拟阵知识层面上知识的表述。最后将广义拟阵中的保基秩强映射与近似算子相结合,提出在保基秩强映射下广义拟阵间近似算子的关系。

关键词：广义拟阵粗糙集可约广义拟阵秩强映射保基秩强映射近似算子

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：