大数据处理中分类算法的数值比较

针对大数据背景下机器学习的3种新分类算法:支持向量机、增强决策树、随机森林和传统分类的3种算法:逻辑回归、K最近邻法和线性判别分析法,选取了七个不同行业的实例数据集用上述六种分类算法进行数值分析,计算六种分类算法在测试集的总误判概率和两种错误的误判率.分析结果表明:从预测角度上大数据情况下新的机器学习分类算法尤其是随机森林和增强决策树的表现明显优于传统的分类算法.     

篇章中指代消解研究综述

指代消解的基本任务是识别篇章中对现实世界同一实体的不同表达.由于消解不同实体表达是自然语言理解的关键因素之一,因此许多学者在该领域做了大量的研究工作.本文将指代消解领域的经典算法综述为两大类:①基于启发式语言学规则的指代消解方法;②基于数据驱动的指代消解方法.在过去的几十年里,由于标注语料MUC,ACE和OntoNotes的出现,指代消解系统从基于启发性规则的消解方法转向基于数据驱动的消解方法.然而最近两年出现一个比较有趣的现象,只要能获取足够多的表达信息,基于启发性规则的方法也能取得很好的消解效果,基于启发性规则的方法又有兴起的趋势.随着指代消解研究的发展,它在其余自然语言处理技术中得到了广泛的应用,例如:机器翻译、信息抽取和自动文摘等领域.计算模型不精确、篇章知识匮乏以及缺少标注语料是限制指代消解发展的主要因素.未来,候选消解项的识别与抽取、跨文本指代消解、多语言的指代消解和各种深层篇章知识的联合利用将成为指代消解发展趋势.     

模糊规则提取的两种方法性能分析

机器学习近年来得到越来越多的重视，模糊规则提取是其中的重要的一个方向。本文介绍了两种自动提取模糊规则的方法，分别是基于多层前向网络和基于遗传算法的模糊规则自动生成。并且，详细的分析了两种方法性能     

低秩矩阵恢复的混合型增广拉格朗日乘子算法CSCD

1引言低秩矩阵恢复问题,又称为鲁棒主成分分析问题或稀疏低秩矩阵分解问题,是指在较少的观测值的基础上恢复出原始矩阵.该问题来源于许多领域,如协同过滤[1,2,3],机器学习[4],图片对齐[5],信号处理[6]和量子态层析成像[7]等等.在文献[8,9,10]中,低秩矩阵恢复问题可以看作是将向量的稀疏表示推广到低秩矩阵的情形,也就是说当矩阵中某些元素严重缺失时,自动识别出损坏的元素并恢复原始矩阵[11].     

基于机器学习的金属材料划痕响应预测

确定材料的划痕响应对评价其抗划擦及摩擦磨损性能有着重要的价值.采用有限元仿真与经典多输出多层感知器(MLP)神经网络的方法，建立了划痕输入参量(材料的屈服应力、应变硬化指数和界面摩擦系数以及划痕过程中施加的法向加载力)与划痕响应(表观深度、划痕宽度以及划痕切向力)之间的关系.由有限元结果与机器学习预测结果的对比可知：采用960组金属材料划痕仿真数据集训练的MLP神经网络预测结果与有限元仿真结果吻合较好.采用304不锈钢、黄铜和18CrNiMo7-6合金钢的划痕试验对MLP神经网络进行了试验验证.结果表明：MLP神经网络预测的划痕响应与试验中获得的结果较为接近.本文中结果可为评价材料抗划擦性能提供了1种可行的方法.     

基于高斯核支持向量机的商品期货市场套利研究

基于高斯RBF核支持向量机预测棉花商品期货主力和次主力合约协整关系的价差序列,确定最优SVM参数,并选择合适的开平仓阈值,进行同品种跨期套利.再与多项式核支持向量机套利结果对比,得到在所有开平仓阈值上,基于高斯RBF核支持向量机套利的收益率都明显高于多项式核支持向量机套利的收益率.     

基于化学数据库和神经网络的中学化学教学与项目化学习

以碳热还原和化学材料智能搜索为素材,将化学数据库和机器学习方法与讲授式教学模式有机结合.木炭燃烧和还原CuO的案例致力于增强学生对化学反应能量变化和平衡移动的认知.基于神经网络的科研实践对发展问题导向式的研学课堂具有重要启示.     

一种新的光谱参量预测黑土养分含量模型

我国东北黑土富含养分,随着土壤数字制图、精确农业和土壤资源调查等研究的深入,引入航空高光谱数据并提供科学的预测结果成为研究热点。数据源为CASI-1500航空高光谱成像系统,光谱范围380~1 050 nm,空间分辨率1.5 m。在黑龙江建三江地区采集59个土壤样本,化验获得有机质、全氮、全磷和全钾含量数据,选择eps-regression支持向量机模型,BP神经网络和PLS1最小二乘回归模型,建立光谱与含量的机器学习模型。通过评价3种模型的预测精度,选用支持向量机方法,对航空高光谱数据进行全氮、全磷和全钾的信息提取,采用神经网络方法,反演了有机质信息。研究表明：以光谱统计量、光谱特征值和光谱信息量为大类指标,所选取的18个子指标,能够反映土壤光谱的综合情况,是一种新的土壤光谱数据处理方法。有机质和全钾信息提取精度最高的算法是神经网络法,误差分别为1.21%和0.81%,而支持向量机算法在提取全氮和全磷信息时,验证样本的实测均值和预测均值完全吻合,精度最高。评价航空高光谱提取土壤养分的综合精度,有机质、全氮、全磷和全钾提取误差分别为5.25%,6.05%,2.74%和8.90%,在全磷反演中精度最高。     

机器学习法的干旱区典型农作物分类

当前,基于机器学习方法开展农作物分类研究,对于确保干旱区粮食安全和生态安全有着极为重要的现实意义。基于机器学习方法,采用时间序列Sentinel 2A遥感数据提取农作物分类信息,通过引入地块基元和红边特征,探讨了不同分类特征组合对机器学习分类精度的影响。结果表明：随机森林分类器可以有效集成光谱和植被指数等多维向量的优势,将其应用于干旱区典型农作物分类上的精度均在89%以上,分类组总体精度最高可达94.02%。地块基元点集支持下的分类特征提取方法能够提高机器学习效率和农作物分类精度,使光谱组及指数组的分类精度分别提高3.13%和4.07%,并能有效解决“椒盐”效应及耕地边缘廓线模糊等问题。红边光谱和红边指数的引入分别使随机森林分类器总体精度提高2.39 %和1.63%,并使春、冬小麦的识别能力显著提高,表明红边特征能够帮助分类器更敏感地捕捉不同作物特有的生长特性及物候差异。该研究结果可为机器学习方法及Sentinel 2A卫星在干旱区农业遥感的应用提供参考。