搜索结果: 16-30 共查到“计算机科学技术 数据集”相关记录34条 . 查询时间(0.12 秒)
含各向异性尺度形变数据集匹配问题的Lie群方法
各向异性尺度形变 Lie群 二次规划
2009/9/9
通过分析含各向异性尺度形变的数据集匹配问题, 将尺度约束引入模型, 再结合迭代最近点(Iterative closest point, ICP)方法的一般过程, 将含各向异性尺度形变的数据集匹配问题描述为Lie群约束优化问题. 通过Lie群的局部参数化和局部线性化方法, 将带尺度上下界约束的Lie群约束优化问题转化为一系列的二次规划问题, 最终形成了一个完整的匹配迭代算. 该方法不仅具有传统ICP...
小数据集的贝叶斯网络结构学习
结构学习 最大似然树 吉布斯抽样
2009/9/7
针对直接基于小数据集贝叶斯网络结构学习不可靠, 以及目前对小数据集的处理只强调扩展而忽略对扩展数据的修正等, 提出了将扩展与修正相结合的小数据集处理机制, 以及在此基础上的基于结点排序和局部打分--搜索的贝叶斯网络结构学习方法. 可不需要完全结点顺序的先验知识, 但能够结合专家的部分结点顺序信息. 实验结果显示了这种方法的有效性和可靠性.
中国健康信息数据集的一种本体处理架构
安全 隐私 本体数据库
2009/8/20
针对中国健康信息数据集规范不支持语义集成、自动处理和推理，在Description Logics数学基础上，提出一种基于本体数据库的知识基(KBS)处理架构。该架构将健康信息数字化建设纳入知识工程轨道，提供一个庞大、规范、可靠、安全、可维护的KBS。以婚前体格检查数据集为案例说明，结果证明该架构可实现知识的自动处理和推理。
水平分布数据集的隐私保护关联挖掘算法
隐私保护 分布式关联规则挖掘 频繁项集 多方安全计算
2009/8/7
研究水平分布数据集的隐私保护关联规则挖掘算法。针对现有算法需要多次扫描数据集的缺点，提出一种只须对数据集进行2次扫描、基于分布式FP-tree的隐私保护挖掘算法。该算法可以有效降低通信量，能在保证准确度的同时保护原始数据。
基于后验概率的不平衡数据集特征选择算法
不平衡数据集 特征选择 后验概率
2009/8/6
针对不平衡数据集，提出一种基于后验概率的特征选择算法。该算法引入基于Parzen-window方法估算的不均衡因子，并以Tomek links中点为初始值进行迭代，找出满足后验概率相等的判别边界点，通过对这些点法向量进行投影计算得到各特征的权值。实验表明，对于不平衡数据集，该算法在不降低分类器总体性能的基础上，不仅可以有效降低维度，节省计算开销，而且能够避免常规特征选择算法用于不平衡数据时忽视小类...
基于不平衡数据集的级联决策树改进算法
级联结构 决策树 虚警率
2009/7/13
提出一种针对客户离网问题的改进决策树分类算法——M-AdaBoost级联决策树。采用级联式的思想构造多个基于AdaBoost决策树分类器，通过设定子分类器的判决信息，组合成级联式决策树。实验结果表明，该方法相对于单一的C4.5决策树、传统的AdaBoost决策树以及随机森林具有更好的分类效果。
一种基于核函数分割数据集的分类器组合算法
核函数 组合分类器 数据集分割
2009/7/8
组合分类器通过在输入空间中依据一定的规则生成数据集来训练成员分类器。提出一种新的基于核函数的模糊隶属度方法用来分隔数据集，并依据数据集中样本的模糊隶属度将它们分为相对难分和相对易分的数据子集，根据两个数据子集的难易程度训练不同的分类器。并用得到的两类分类器作为成员分类器生成组合分类器。将该组合分类器应用到UCI的标准数据集，实验表明该方法比Bagging和AdaBoost算法具有更好的性能。
分类数据集的一致化特征选择约简
分类 特征选择 数据约简
2009/6/16
样本数据集的不一致性和冗余特征会降低分类的质量和效率。提出了一种一致化特征选择约简方法,该方法基于贝叶斯公式,采用阈值,将非一致数据归为最可能的一类,使数据集一致化。并在一致数据集上,运用类别区分矩阵选择可准确区分各类数据的最小特征变量集。给出的启发式搜索策略和应用实例表明:一致化特征选择约简方法能有效消除分类数据集的不一致性,选择最优的特征变量、降低数据的维数、减少数据集中的冗余信息。
基于FCA挖掘重述数据集的非冗余规则
形式概念分析 Galois联络 重述规则
2009/4/28
以FCA为理论基础，应用Galois联络性质及其闭包运算，提出精确重述规则生成基和条件重述规则特征基的概念以及生成算法，论证由此构造的重述规则是最小非冗余的结论，设计最小非冗余重述规则挖掘的NRRM算法，并进行仿真计算和计算复杂性分析。
基于分治法的高维大数据集模糊聚类算法
模糊聚类 分治法 遗传算法
2009/4/15
将高维的大数据集随机分成若干个子集，对每个子集聚类采用一种基于遗传算法的高维数据模糊聚类方法。该方法引入了一个模糊非相似矩阵来表示高维样本之间的非相似程度，并将高维样本随机初始化到二维平面，利用遗传算法迭代优化二维样本的坐标值，实现二维样本之间的欧氏距离向样本间的模糊非相似度的趋近。将得到的最优的二维样本用模糊C-均值聚类(FCM)算法聚类，克服了聚类有效性对高维样本空间分布的依赖。实验仿真表明，...
不均衡数据集学习中基于初分类的过抽样算法
不均衡数据集 过抽样 欠抽样
2009/2/17
为了有效地提高不均衡数据集中少数类的分类性能，提出了基于初分类的过抽样算法。首先，对测试集进行初分类，以尽可能多地保留多数类的有用信息；其次，对于被初分类预测为少数类的样本进行再次分类，以有效地提高少数类的分类性能。使用美国加州大学欧文分校的数据集将基于初分类的过抽样算法与合成少数类过抽样算法、欠抽样方法进行了实验比较。结果表明，基于初分类的过抽样算法的少数类与多数类的分类性能都优于其他两种算法。...
采用关系数据库模型进行建模，对于同一关系框架上的数据定义了相似数据集。对单个数据集，通过关系拆分对数据库模型进行规范化处理，去除了关系内部的数据冗余；对多个数据集之间的压缩提出了一种基于0-1状态标记序列的增量式无损压缩算法，压缩后的数据可以快速地完全解压缩。试验结果表明，算法可以实现对相似数据集的高效无损压缩和快速查询。
基于网格技术的高维大数据集离群点挖掘算法
数据挖掘 离群点 网格
2009/1/19
提出了一种基于网格技术的高维大数据集离群点挖掘算法（OMAGT）。该算法针对高维大数据集的分布特性，首先采用基于网格技术的方法寻找出聚类区域，并删除聚类区域内不可能成为离群点的聚类点集，然后运用局部离群因子（LOF）算法对剩下的点集进行离群点挖掘。OMAGT算法较好地实现了聚类信息的动态释放，将保留的离群点挖掘信息控制在一定的内存容量范围内，提高了算法的时间效率和空间效率。理论分析与实验结果表明O...
面向大规模数据集的贝叶斯网络参数学习算法
贝叶斯网络 参数学习 期望最大化算法
2009/1/7
贝叶斯网络的学习可以分为结构学习和参数学习。期望最大化（EM）算法通常用于不完整数据的参数学习，但是由于EM算法计算相对复杂，存在收敛速度慢和容易局部最大化等问题，传统的EM算法难于处理大规模数据集。研究了EM算法的主要问题，采用划分数据块的方法将大规模数据集划分为小的样本集来处理，降低了EM算法的计算量，同时也提高了计算精度。实验证明，该改进的EM算法具有较高的性能。