基于初级权重序列的改进AHP研究*

针对层次分析法中判断矩阵不满足一致性条件时,检验与修正矩阵元素缺少依据,且操作过程烦琐,提出基于初级权重序列方案的层次分析法,该方法保证了人们思维逻辑的一致性,使距离判断矩阵在构造时简单易行,同时还探讨了初级权重序列方案中距离单位的选取问题,并确定了标准化的度量单位。实例结果表明,改进的AHP能够有效地减少算法的时间复杂度,也提高了矩阵一致性判断的精度。     

一种基于双层窗口的概念漂移数据流分类算法

数据流中概念漂移问题的研究已成为近年来流数据挖掘领域的研究热点之一. 已有的研究工作多依据单窗口中错误率的变化来检测概念漂移,难以适应不同类型的漂移. 为此, 本文提出一种新的基于双层窗口机制的数据流分类算法(Double-windows-based classification algorithm for concept drifting data streams, DWCDS),该算法采用随机决策树模型构建集成分类器, 利用双层窗口机制周期性地检测滑动窗口中流数据分布的变化,并动态地更新模型以适应概念漂移. 分析与实验结果表明: 该算法可以快速有效地跟踪检测含噪数据流中的概念漂移,且抗噪性能与分类精度显著提高.     

一种基于最大熵模型的加权归纳迁移学习方法

传统机器学习和数据挖掘算法主要基于两个假设:训练数据集和测试数据集具有相同的特征空间和数据分布.然而在实际应用中,这两个假设却难以成立,从而导致传统的算法不再适用.迁移学习作为一种新的学习框架能有效地解决该问题.着眼于迁移学习的一个重要分支——归纳迁移学习,提出了一种基于最大熵模型的加权归纳迁移学习算法WTLME.该算法通过将已训练好的原始领域模型参数迁移到目标领域,并对目标领域实例权重进行调整,从而获得了精度较高的目标领域模型.实验结果表明了该算法的有效性.     

基于任意分割的串行进位链规则获取的计算流程

 分析了等价矩阵和联合决策矩阵规则提取算法对于大数据集低效性的根源.提出了基于任意分割的规则获取方法和相应的串行进位链计算流程.这种计算流程将大数据集上的规则获取,转化为通过分割后多个智能体(子系统)及其智能体间数据共享的"并行＋串行"的规则提取计算过程,有效的解决了大数据集上规则获取问题.复杂度分析表明该算法在效率上较现有的算法有显著的提高;实例分析验证了该方法的可行性;相应的对比实验表明这种计算流程对大数据集上的规则获取的实用性和高效性.     

《数据结构》自学考试应试指导

安徽省计算机及其应用专业(本科段)自学考试从今年4月份开考了.从上半年的考试情况来看,有部分考生没有取得应有的成绩.通过与一些考生的交谈,笔者发现了他们学习中存在的一些问题.下面就先谈谈应考中的学习方法问题,并就《数据结构》课程的学习方法提出一些建议,最后给出一些典型问题的求解方法,供大家参考.一、本科自学考试的特点及其与专科之间的差异按有关文件规定,参加计算机专业(本科段)自学考试的考生必须是已经毕业的各类专科/本科毕业生或者是在读的专科/本科学生.既然考试层次比原来的层次高,在考试要求方面自然也会有所提高.那么要求方面的差异是什么呢?下面谈谈笔者自己的观点.     

数据挖掘中应用偏最小二乘法发现异常值

本文介绍了偏最小二乘法在挖掘统计数据中的异常值上的应用.对统计数据使用偏最小二乘法回归,可以较快速地建立相对准确的回归方程,并且结合变量投影重要性指标等相关分析工具可以对数据进行消元,降低数据的维数,从而减轻运算的强度;通过预测值和实际发生值的比较,根据法则判定数据是否异常,从而达到对数据风险的控制,在经济、金融等领域中有着重要的实际意义.     

一种基于依赖分析的贝叶斯网络结构学习算法

贝叶斯网络是不确定性环境下知识表示和推理的有效工具之一.现有的贝叶斯网络结构学习算法不同程度地存在学习效率偏低的问题,为此,本文提出一种高效而且可靠的贝叶斯网络结构学习算法ISOR.首先使用最大生成树算法和启发式切割集搜索算法以确定网络中所有可能的边,然后结合碰撞识别方法和启发式打分-搜索方法识别出所有边的方向,最后进行冗余边检验.与当前基于依赖分析的其它算法相比,该算法有效降低条件独立性检验的次数和阶数.算法分析和应用于Alarm网络的实验结果均表明,算法ISOR具有良好的性能.     

一种基于桶树的自动推理问题求解算法

桶消元和连接树推理算法是处理自动推理问题的两种常用的推理算法。针对连接树推理算法中消息传播效率问题,提出了一种能有效进行消息传播的连接树推理算法JTR。针对桶消元推理算法BE处理多任务的自动推理问题效率低下的问题,采用连接树结构和连接树推理算法JTR的消息传播方式对桶消元算法BE进行改进和扩展,提出了一种桶树推理算法BJTR。通过对算法BE、BTE和BJTR的时空性能分析发现:与同类算法BTE相比,算法BJTR在空间略有下降的情况下提高了时间性能;针对多任务的自动推理问题,与桶消元推理算法BE相比,BJTR算法的空间略有下降,时间性能得到明显提高;并通过实例和实验进一步验证了算法BJTR针对多任务的自动推理任务具有良好的时间性能。     

基于属性桶的约简算法

基于粗糙集理论的属性约简算法是机器学习和数据挖掘领域的研究热点之一.粗糙集理论是一种新型的处理模糊和不确定信息的数学工具,在保证分类能力不变的前提下,通过知识的约简导出概念的分类规则.文中提出了一种基于属性桶的约简算法,其约简过程类似基于属性频度函数的约简算法.该算法首先构造一组与决策表决策属性个数相同的属性桶,不同的属性桶划分了不同长度的区分矩阵项,避免了约简前的排序过程.通过构造属性桶时对核属性进行特殊处理,在一定程度上简化了属性约简过程.