改进的SVDD增量学习算法

通过对SVDD增量学习中原样本和新增样本的特性分析,提出一种改进的SVDD增量学习算法。在增量学习过程中,该算法选取原样本的支持向量集和非支持向量中可能转为支持向量的样本集以及新增样本中违反KKT条件的样本作为训练样本集,舍弃对最终分类无用的样本。实验结果表明,该算法在保证分类精度的同时减少了训练时间。     

基于AdaBoost算法的人脸检测在嵌入式系统中的实现

为解决人脸检测实时性问题,针对AdaBoost算法纯软件实现的瓶颈,提出基于FPGA平台的硬件加速策略,采用流水线处理技术实现积分图像的快速计算。实验使用PowerPC405处理器VirtexTM-Ⅱ Pro平台FPGA,在输入图像大小为352×288像素的条件下,检测速度达到每秒50帧,检测率为98%,误检率约1%,实现了实时人脸检测的要求。     

Boosting算法在入侵检测中的应用

将一种基于支持向量机的Boosting算法应用于入侵检测,并通过KDD’99数据的仿真实验将它与单一的支持向量机分类器进行比较,结果表明Boosting算法比单一的支持向量机分类器具有更好的检测效果。     

垃圾邮件综合过滤法在校园网中的应用

文章根据校园网邮件服务器的实际运行环境,给出了几种常用垃圾邮件过滤算法相结合的综合过滤方法,实际应用表明该综合方法具有比较好的过滤性能。     

局部保持对支持向量机

多面支持向量机(multiple surface support vector machine,MSSVM)分类方法作为传统支持向量机(support vector machine,SVM)的拓展在模式识别领域成为新的研究热点之一,然而已有的MSSVM方法并没有充分考虑到训练样本之间的局部几何结构以及所蕴含的判别信息.因此将保局投影(locality preserving projections,LPP)的基本思想引入到MSSVM中,提出局部保持对支持向量机(locality preserving twin support vector machine,LPTSVM).LPTSVM方法不但继承了MSSVM方法具有的异或(XOR)问题处理能力,而且充分考虑样本间的局部几何结构,体现样本间所蕴含的局部判别信息,从而在一定程度上提高了分类精度.主成分分析(principal component analysis,PCA)方法克服了LPTSVM奇异性问题,保证了LPTSVM方法的有效性.非线性情况下,通过经验核映射方法构造了非线性LPTSVM.在人造数据集和真实数据集上的测试表明LPTSVM方法具有较好的泛化性能.     

改进的基于K均值聚类的SVDD学习算法

针对基于K均值聚类的支持向量数据描述（SVDD）学习算法（KMSVDD）识别精度低于传统SVDD学习算法的问题,提出一种改进算法。将各聚类簇中支持向量合并学习生成中间模型,从支持向量以外的非支持向量数据中找出违背中间模型KKT条件的学习数据,并将这些数据与聚类簇中支持向量合并学习继而得到最终学习模型。实验结果证明,该改进算法的计算开销与KMSVDD相近,但识别精度却高于KMSVDD,与传统SVDD相近。     

计算机组成原理课程的思政教学探索

计算机组成原理是计算机类专业的一门核心专业基础课。为了落实把思想政治工作贯穿教育教学全过程,实现全程育人、全方位育人的理念,本文分析了在计算机组成原理课程教学中融入思政教育的优势,并从四个方面挖掘课程内容中蕴含的思政元素,将思政教育切实地融入到具体的专业课程教学中。实践证明,在计算机组成原理课程的教学中,适度融入思政内容,不仅不会影响正常教学,而且能够充分调动学生的学习热情,培养学生的学习能力和敬业精神。     

一种改进的自适应聚类集成选择方法

针对自适应聚类集成选择方法（Adaptive cluster ensemble selection,ACES）存在聚类集体稳定性判定方法不客观和聚类成员选择方法不够合理的问题,提出了一种改进的自适应聚类集成选择方法（Improved ACES,IACES）.IACES依据聚类集体的整体平均归一化互信息值判定聚类集体稳定性,若稳定则选择具有较高质量和适中差异性的聚类成员,否则选择质量较高的聚类成员.在多组基准数据集上的实验结果验证了IACES方法的有效性:1）IACES能够准确判定聚类集体的稳定性,而ACES会将某些不稳定的聚类集体误判为稳定;2）与其他聚类成员选择方法相比,根据IACES选择聚类成员进行集成在绝大部分情况下都获得了更佳的聚类结果,在所有数据集上都获得了更优的平均聚类结果.     

基于Boosting的入侵检测

本文给出一种基于支持向量机分类器的Boosting算法并将其应用于入侵检测;通过KDD'99数据的仿真实验将其与单一的支持向量机分类器进行比较,实验结果表明该方法比单一的支持向量机分类器具有更好的检测准确率。