鲁棒半监督ν-支持向量分类机

支持向量机在近十年成为机器学习的主要学习技术,而且已经成功应用到有监督学习问题中。Fung和Mangasarian利用支持向量机对于既有已标类别样本又有未知类别样本的训练集进行训练,方法主要是利用少量已标明类别的样本进行训练得到一个分类器的同时对于未标明类别的样本进行分类,使得间隔最大化。此优化问题中假定样本是精确的,而在现实生活中,样本通常带有统计误差。因此,考虑样本带有扰动信息的半监督两类分类问题,给出鲁棒半监督v-支持向量分类算法。该算法的参数v易于选择,而数值试验也表明该算法具有良好的稳定性和较好的分类结果。     

多示例学习问题研究进展综述

多示例学习是一种特殊的机器学习问题,近年来得到了广泛的关注和研究,许多不同类型的多示例学习算法被提出,用以处理各个领域中的实际问题. 针对多示例学习的算法研究和应用进行了较为详细的综述, 介绍了多示例学习的各种背景假设, 从基于示例水平、包水平、嵌入空间三个方面对多示例学习的常见算法进行了描述, 并给出了多示例学习的算法拓展和若干领域的主要应用.     

支持向量分类方法理论基础的改进

支持向量机是通过求解对偶问题来解决原始问题的.针对线性决策函数f(x)=(w·x)+b,我们指出了其原有的逻辑系统中的错误,并通过严格的证明,对其理论基础作了改进.而且,对于阈值b,我们给出了一个新的简洁计算公式.     

多视角学习综述

随着计算机技术的飞速发展,数据的收集和存储能力得到了极大的提高,在科学研究和社会生活的各个领域,海量表现形式复杂的数据涌现。针对同一对象从不同途径或不同层面获得的特征数据被称为多视角数据。多视角学习是利用事物的多种视角表征进行建模求解的一种新的机器学习方法,它一般需遵循两个原则:1)一致性原则;2)互补性原则。近年来,多视角学习已经引起了广泛的关注和研究。本文对多视角学习算法的研究以及相关理论研究的进展进行了综述,并指出了多视角学习面临的挑战及下一步可能的研究方向。     

基于间隔迁移的多视角支持向量机

针对同一对象从不同途径或不同层面获得的特征数据被称为多视角数据. 多视角学习是利用事物的多视角数据进行建模求解的一种新的机器学习方法. 大量研究表明, 多视角数据共同学习可以显著提高模型的学习效果, 因此许多相关模型及算法被提出. 多视角学习一般需遵循一 致性原则和互补性原则. 基于一致性原则,Farquhar 等人成功地将支持向量机(Support Vector Machine, SVM)和核典型相关分析(Kernel Canonical Correlation Analysis, KCCA)整合成一个单独的优化问题, 提出SVM-2K模型. 但是, SVM-2K模型并未充分利用多视角数据间的互补信息. 因此, 在SVM-2K模型的基础之上, 提出了基于间隔迁移的多视角支持向量机模型(Margin transfer-based multi-view support vector machine, M^2SVM), 该模型同时满足多视角学习的一致性和互补 性两原则. 进一步地, 从一致性的角度对其进行理论分析, 并 与SVM-2K比较, 揭示了 M^2SVM 比SVM-2K 更为灵活. 最后, 在大量的多视角数据集上验证了M^2SVM模型的有效性.     

水资源紧缺程度评估模型

首先研究了现有的国际通用缺水指标,在分析这些指标优缺点的基础上,提出了一个新的衡量水资源紧缺程度的指标——Q指标,不仅考虑了水资源的供需状况,而且还考虑了一个国家的人口对水资源紧缺程度的影响;然后,分别计算了151个国家的Q指标,并对水资源紧缺程度进行了分析;其次,以水资源紧缺程度严重的印度为例,分析了印度缺水的主要原因,并对印度未来15年的缺水状况作出预测;最后,给出了缓解印度缺水状况的干预计划的建议。     

基于支持向量机的拟南芥基因表达数据分析

针对拟南芥根部基因表达数据分析的问题,本文提出了一种新的基于距离度量学习的支持向机多分类算法．鉴于此问题的特殊性,本文通过最小化4分类机的LOO 误差来求得一个恰当的距离度量．并在此度量下找到若干个属于第5类(其它类)的训练点,从而构造出一个5分类机用来对所有基因分类．实验验证了此算法的可行性,并且比基因表达分析中传统使用的聚类方法更有效．     

邓乃扬先生简介

正邓乃扬先生,中国农业大学二级教授,博士生导师。1937年出生在一个温馨和睦的家庭。从小受到父母和哥哥姐姐们的疼爱和照顾,并受到良好教育。高中就读于著名的北京四中,当时讲授物理和化学课程的都是特级教师。1955年毕业后,考入北京大学数学力学系,著名学者周培源先生和后来成为北大校长的丁石孙先生都曾是他的授课老师。大学期间曾因照顾患癌症的母亲,休学一年。再加上学校学制延长,于1962年才从数学专业微分方程方向特征值专门化毕业。后考入北京大学数学系研究生,师从二级教授申又振先生。因文化大革命,毕业又拖至1967年。这样,他