Additive—Multiplicative Fuzzy Neural Network and Its Performance

Introduction　　Kosko[1] hasprovedthatanadditivefuzzysystemcanapproximateanycontinuousfunctiononacompactdomaintoarbitraryaccuracy .AspointedbyWang[2 ] ,amultiplicativefuzzysystem ,whichisconstructedbyusingGaussianmembershipfunctionandcentroiddefuzzificati…     

基于AMFNN的非线性噪声消除器

提出基于加乘性模糊神经网络(AMFNN)的非线性噪声消除器，讨论了AMFNN模型和学习算法及其通用逼近性．该消除器利用AMFNN逼近噪声，然后从测量信号中消去噪声即得到有用信号．该噪声消除器具有神经网络分布式并行信息处理能力、较好的容错性和鲁棒性以及除噪性能．     

基于图的频繁闭项集挖掘算法

为了提高数据挖掘效率，提出了一种基于图的频繁闭项集挖掘算法GFCG(graph—based frequent closed itemset generation)．该算法采用位矢量技术构造有向图，表示项与项之间的频繁关系，并在有向图的基础上递归产生频繁闭项集，从而只需扫描数据库2次，不产生候选集；引入扩展频繁项集的概念，大大减小了检查频繁项集是否闭的搜索空间．用1个真实数据库和2个合成数据库对GFCG进行了测试，并与A-close和CLOSET算法的结果进行了比较，结果表明，该算法具有良好的速度和可伸缩性性能．     

一种频繁项集并行挖掘算法

频繁项集在数据挖掘领域中起着重要作用。本文提出一种基于FP growth 的并行挖掘频繁项集算法PFP growth(ParallelFP growth)。新算法避免了以前基于Apriori的并行算法反复扫描数据库,产生候选集以及处理机间通信量大的缺点。PFP growth算法将挖掘任务均匀地分布在并行处理机上,在挖掘过程中采用一定划分策略以获得处理机间的任务平衡,并采用适当的数据结构减少并行处理机间数据通信量。在国家高性能计算机上的仿真实验证明,本算法是一种有效的并行算法。     

基于语义相似度的话题关联检测方法

为有效识别任意两篇报道的相似性,提出了一种基于语义相似度的话题关联检测算法.该算法首先通过计算特征词之间的相对熵作为两篇报道中特征词之间的语义相似度;其次,通过计算平均语义相似度获得特征词和报道之间的关联度;最后,结合特征词在语料库中的TF-IF(term frequency-inverse document frequency)权重计算两篇报道之间的关联度,实现报道之间的关联度检测.本文提出的方法与现有的向量空间模型方法和仅依赖于平均点互信息的方法进行了比较,并通过TDT4中文语料进行测评,结果表明,基于语义相似度的关联检测方法能够更好地利用文本的语境信息,提高了现有检测系统的性能,其最小DET(detection error tradeoff)代价降低了3%.      

基于深度学习的文本情感分析并行化算法

在训练集和测试集数据量大的情况下,半监督递归自编码（semi-supervised recursive auto encoder,Semi-Supervised RAE）文本情感分析模型会出现网络训练速度缓慢和模型的测试结果输出速率缓慢等问题. 因此,提出采用并行化处理框架,在大训练集情况下,基于“分而治之”的方法,先将数据集进行分块划分并将各个数据块输入Map节点计算每个数据块的误差,利用缓冲区汇总所有的块误差,Reduce节点从缓冲区读取这些块误差以计算优化目标函数;然后,调用L-BFGS （limited-memory Broyden-Fletcher-Goldfarb-Shanno）算法调整参数,更新后的参数集再次加载到模型中,重复以上训练步骤逐步优化目标函数直至收敛,从而得到最优参数集;在测试集大的情况下,模型的初始化参数为上述步骤得到的参数集,Map节点对各句子进行编码得到其向量表示,然后暂存在缓冲区中;最后,在Reduce节点中分类器利用各语句的向量表示计算各自语句的情感标签. 实例验证表明:在标准语料库MR （movie review）下本文算法精确度为77.0%,与原始算法的精确度（77.3%）几乎相同;在大数据量训练集下,训练时间在一定程度上随着计算节点的增加而大量减少.