人工免疫网络模型的数据特征提取性能评价技术

人工免疫网络模型(aiNET)是一种用于提取数据特征的免疫智能信息处理模型,其核心是用小规模的记忆网络数据(抗体)映射输入数据(抗原),达到减少数据冗余的数据压缩和特征提取效果.由于aiNET模型中存在免疫克隆选择机制,记忆网络(抗体)不是输入抗原数据集的实际子集,同时,由于它没有实现维数简化,导致目前广泛使用的数据特征性能评价方法无法应用.本文给出了一种基于复杂网络的拓扑结构分析技术,利用描述网络结构稳定性的网络社区结构,通过对aiNET压缩前后的抗体和抗原网络社区的对比,达到对人工免疫网络(aiNET)的特征提取性能评价的目的.     

基于免疫网络聚类算法的特征垃圾邮件获取技术

文章给出了一种基于免疫网络聚类算法的邮件服务器端特征垃圾邮件获取技术,其功能是将属同一邮件服务器内的邮件用户各自认可的垃圾邮件进行自动汇总,抽取出共性的垃圾邮件,从而能在邮件服务器端对这些共性垃圾邮件进行拦截,该技术体现出高效的动态性质,可作为目前主流反垃圾技术的辅助技术。     

基于网络社区结构的训练集非均衡程度度量方法

在机器学习和数据挖掘实际应用中,针对分类训练集的选取,通常要求训练集中每一类所包含的数据在数量上要尽可能的"均衡".本文以非均衡训练集与分类学习效率关系研究为依据,给出了"均匀度"和"内聚度"两种类型的训练集非均衡程度因素的概念;"均匀度"是用来描述训练集类之间(between-class)的非均衡程度,其含义是指训练集不同类之间数据数量的非均衡程度;"内聚度"是用来描述训练集类内部(within-class)的非均衡程度,指训练集中不同类在空间分布上的线性相关程度,通过训练集数据之间的相关程度,构建出训练集的网络结构,运用一种能体现训练集内聚性的网络拓扑结构的指标-网络社区结构作为度量,提出了基于网络社区模块结构的非均衡训练集度量方法,并指出了高均匀度和高内聚度是选取"优良"分类训练集的关键因素.通过对UCI标准训练集的实验,结果验证本方法作为选取训练集标准的有效性.     

基于网络社区模块结构的特征选择性能评价

利用网络社区模块结构作为特征选择的度量指标，给出了一种基于全局拓扑结构的特征选择性能评价方法。对一种基于免疫学原理的数据压缩和特征提取模型——人工免疫网络进行了验证，通过对数据特征提取前的抗原数据网络和特征提取后的记忆网络的网络社区模块结构的对比，达到对人工免疫网络(aiNET)的特征提取性能评价的目的。实验结果证实了人工免疫网络模型可以保持网络拓扑结构上的稳定性，验证了利用网络社区结构作为特征选择度量的合理性。     

基于SVM的房贷信用评估的应用研究

信贷风险是金融机构风险主要来源.支持向量机(SVM)在解决两类问题上是一种较好的分类方法,其学习模型有较强的稳定性.对SVM在房贷信用评估应用中的问题进行了研究和解决,如核函数选取,参数选取,样本非均衡问题等.实验得出在实际应用中径向基模型较好,采用Grid-search方法调整参数,能达到更好的推广能力和预测结果,用分别惩罚支持向量机能有效解决样本非均衡问题.试验结果也证明了基于SVM的房贷信用评估方法优于原有的打分方法.     

基于IGA的支持向量机特征子集选择和参数优化

特征子集选择和训练参数的优化一直是SVM研究中的两个重要方面,选择合适的特征和合理的训练参数可以提高SVM分类器的性能,以往的研究是将两个问题分别进行解决。随着遗传优化等自然计算技术在人工智能领域的应用,开始出现特征选择及参数的同时优化研究。研究采用免疫遗传算法(IGA)对特征选择及SVM参数的同时优化,提出了一种IGA-SVM算法。实验表明,该方法可找出合适的特征子集及SVM参数,并取得较好的分类效果,证明算法的有效性。     

基于粗集和SVM的客户抵押贷款违约评估

信贷风险是金融机构风险的主要来源。支持向量机是基于VC维和统计学习理论理念的一种新的机器学习方法。它在解决两类问题时是一种较好的分类方法,同时学习结果模型有较强的稳定性。在实际应用中,采用Grid-search方法调整支持向量机的惩罚参数,达到了更好的推广能力和预测结果。采用粗集对数据集进行预处理,属性约简,删除了多余的属性,然后再用支持向量机进行分类建立了住房抵押贷款信用风险评估模型,并与其他算法进行了比较,取得了良好的分类效果。     

一种结合Vague集的模糊支持向量机研究

为了解决传统支持向量机对噪声或野值敏感的问题,模糊支持向量机给出一种解决办法,就是区别对待训练样本,为每一个数据点分配不同的权重,使其在分类模型训练过程中起不同的作用.以期获取更加合理的分类超平面,使得分类模型具有更好的泛化能力.Vague隶属度的计算是该算法实现的关键步骤之一,文中给出一种基于模糊C-均值聚类方法的Vague隶属度计算的方法,可以生成训练样本的真、假隶属度.实验结果表明,该算法具有更好的抗噪性能及分类能力.     

面向数据流的人工免疫网络增量学习技术

针对大规模、动态、时变的数据流环境,给出了一种基于内影像记忆网络的人工免疫网络增量学习算法ICainet,当数据增加时,通过计算新添加数据与记忆网络的匹配程度给出不同的增量处理策略,从而使新算法具有动态跟踪不断递增的大规模数据流的增量学习能力.由于新算法已对数据流先进行一定程度的数据压缩并能"记忆以前数据",因而占用内存空间少、运算代价很低.实验结果表明,在损失较小程度学习质量的前提下,该方法在运行时间上有明显的优势,可满足不同的应用环境需求.