基于双支持向量机的大样本分类算法

针对支持向量机(Support Vector Machine,SVM)处理大规模样本分类的学习效率降低问题,提出两阶段学习的支持向量机算法。该方法首先在正负类分别进行无监督聚类,提取各个聚类质心组成约简训练集,进行初次SVM训练;然后,根据初次训练结果选取边界样本集,参与第二次SVM训练。在UCI数据集上的实验结果表明,所提方法在保持分类泛化性能的同时,提高了模型的训练速度。     

基于鲁棒学习的鲁棒RBF神经网络

提出了一种基于鲁棒学习的鲁棒RBF神经网络。使用聚类方法选择RBF网络隐结点的中心,以鲁棒代价函数为目标函数,采用梯度下降法调整隐层结点的宽度和网络权值,从而使RBF网络的学习过程不受离群点的影响,并且能够快速收敛。仿真实验结果表明了RBF神经网络的鲁棒优越性。     

中国新记录的辉蛾科及蔗扁蛾的新结构(鳞翅目:谷蛾总科)

辉蛾科是中国新记录的小蛾类,代表种是国外传入的重要害虫—蔗扁蛾Opogona sacchari (Bojer),在北京发现为害巴西木等名贵观赏植物。分类鉴定中发现一些新的特征结构,结合科属和此种的记述,在此一并介绍。     

基于SVC算法的SVM工作集优选法

工作集的规模很大时,支持向量机的学习过程需要占用大量的内存,寻优速度很慢.文中提出一种基于支持向量聚类的工作集优选方法,分别最优化每一类样本集获取支持向量,利用支持向量几何分布特性,筛选后构造工作集.针对样本集不平衡情况,根据每一类支持向量个数对惩罚系数加权的加权优选法解决最优分离超平面偏移问题.该算法所选工作集具有代表性,能大幅度降低学习代价,同时具有较高的分类效率.     

基于分簇的无线传感器网络时间同步方法

对传统的无线传感器网络的时间同步协议进行分析,结合无线传感器网络能量使用要求高的特点,设计一种适合WSN的时间同步算法.在分簇的基础上在簇内建立一个回路,回路上节点顺序单向同步,簇头可以实时监控同步的进行,以实现能量节省的、健壮的协作同步模式.对比实验结果表明,该算法在保证同步精度的前提下可以有效减少通信开销,节省了节点能量.     

基于3D激光雷达点云的车辆目标识别算法

针对结构化道路环境中智能车识别周围360°范围内的车辆目标问题,基于车载3D激光雷达采集的道路环境中车辆目标点云数据投影特征,提出识别车辆目标新算法。算法首先识别结构化道路边界,进而排除道路边界两旁障碍物的干扰和减少点云数据量;其次基于雷达点云数据扫描和分布特征,利用改进K-means算法对道路区域内点云数据聚类。最后提取聚类目标内部特征点,并通过计算特征点构成向量的夹角或模的长度准确识别车辆目标。实验验证表明,该算法有效抑制了道路边界两旁障碍物的干扰,可以准确识别结构化道路区域内的车辆目标。     

基于WSN分布式聚类均衡路由算法的优化研究

有效减少网络能耗,从而提高整体网络寿命是无线传感网领域中的关键问题,LEACH和DEBR等分簇路由算法可以初步提高网络寿命和网络延展性.研究了簇头选择、簇的形成和数据路由3个阶段,提出了一种基于能量均衡的分布式聚类均衡路由算法,通过传感节点的剩余能量、邻居个数以及簇头能耗的混合权重来选择簇头和分簇,考虑每条路径的消耗来选择最佳路径,有效改进了LEACH随机选择簇头节点和DEBR传送延迟导致的网络分割和能耗不均等问题.仿真结果表明,该算法有效平衡并降低了节点能耗,使得网络中生存节点数在相同周期内有较大提升,从而延长了整个网络的生命周期.     

简·爱自卑自强性格之分析

《简·爱》是英国作家夏洛蒂·勃朗特所作,小说女主人公简·爱的性格既自卑又自强,运用美国现代著名精神分析理论家艾里克·埃里克森的人格发展渐成理论,探讨分析了简·爱的自强,源于她内心的自卑,而这种自卑则来源于她t童年受到的来自环境等方面的负面影响。     

基于半监督支持向量机的数据分类

为解决支持向量机在分类识别前需要利用已知训练集进行训练的问题，本文提出了一种基于k均值的对无标识数据进行分类的支持向量机分类算法。首先利用k均值算法将未知数据划分成某个数量的子集，然后对新数据进行支持向量机训练得到决策边界与支持矢量，最后对无标识数据进行分类。模拟结果表明：训练时消耗的CHU时间为1．8280秒，支持向量个数为60时，分类错误率小于2％。     

K-means聚类分析在人体体型分类中的应用

讨论了K-means聚类分析在人体体型分类应用时分类数的确定方法和迭代收敛两个重要问题.参考GB/T 1335—2008,以219名青年女性人体数据为检验样本,以胸腰差为实例进行论证.结果表明:采用基于系统聚类的距离评价函数法,样本最佳分类数为7类,如限制分类数为3~5时,则最优分类数为4;抽取容量分别为219和100的两组样本进行不同迭代次数的聚类分析,发现聚类收敛所需的迭代次数受数据离散程度影响,采用SPSS软件进行聚类分析时应该设定较大的迭代次数以确保聚类收敛.