基于关键词组合向量模型的文本自动分类研究

本文描述了一种新的基于关键词组合模式的文本向量空间表示模型,相对于只使用文本中词语的频率的文本向量空间模型,这种新的模型在可以计算的前提下,使用了词语之间的相对位置信息,从而可以解决部分词语向量空间模型表示的不足。本文讨论了使用这种模型的自动文本分类系统,包括分类系统的结构、特征提取、文本相似度计算公式,并给出了评估方法。     

结合词性的短文本相似度算法及其在文本分类中的应用

针对基于语义的短文本相似度计算方法在短文本分类中准确率较低这一问题，提出了结合词性的短文本相似度算法(GCSSA)。该方法在基于hownet(“知网”)语义的短文本相似度计算方法的基础上，结合类别特征词并添加关键词词性分析，对类别特征词和其他关键词的词性信息给定不同关键词以不同的权值系数，以此区别各种贡献度词项在短文本相似度计算中的重要程度。实验表明，该算法进行文本相似度计算后应用于短文本分类中较基于hownet的短文本分类算法在准确率宏平均和微平均上提升4%左右，有效提高了短文本分类的准确性。     

基于支持向量机的煤灰结渣特性判别

在研究燃煤煤灰成分与其结渣特性之间相关关系的基础上，提出了基于支持向量机算法的煤灰结渣特性判别模型。该模型将煤灰成分作为输入量，煤灰结渣特性作为输出量。并用离子群优化算法对支持向量机参数进行优化。最后用实测数据时模型进行校验，结果表明，尽于支持向量机的煤灰结渣特性判别模型的判别准确率高于采用相同训练集和测试集的其他算法。     

信息管理中的中文信息检索

本文首先从起源,概念,影响范围,中西文信息检索之比较及检索模型几个方面总体介绍了信息检索。继而引入基于向量模型的信息检索方法,从它的相关概念包括向量、权值、相似度等到它的实现方法。在此基础上以经济类文档信息检索为例详细解释了向量空间模型的实际应用。最后总结此算法的不足之处及其对传统检索方法的改良。     

基于数据挖掘的支持向量机库存预测模型研究

针对传统库存预测方法的不足及库存自身特点,引入支持向量机这一数据挖掘的新方法,建立了库存预测模型,把服务水平作为模型的输入特征,实现了库存动态预测。     

基于支持向量机的上证指数预测研究

基于支持向量机的预测模型对上证指数进行预测,并将其预测结果与BP神经网络的预测结果进行对比,其结果表明,支持向量机的预测模型具有较高的拟合和预测精度并优于BP神经网络模型,且支持向量机预测方法计算速度快,准确率高,具有很好的推广应用价值。     

会计信息失真识别的成本控制型支持向量机模型

在会计信息失真识别问题中,考虑到决策失误所付出的不同错误分类成本以及样本数据的不平衡分布等特点,使得基于总体准确率的数据挖掘方法不能获得理想的识别效果。本文针对会计信息失真识别问题的特点,建立了一种成本控制型支持向量机模型,利用粒子群算法进行特征选择和参数优化,从而降低总体的错误分类成本。实验证明,该模型能够有效的识别出虚假的财务报告。     

支持向量机在股票价格短鞋预测中的应用

SVM采用结构风险最小化原则，使风险只与输入样本数目有关，而与输入的维数无关，从而避免“维灾数”，并且结构参数从样本学习中自动确定，克服了传统神经网络收敛速度慢、结构参数确定无理论依据、存在局部极小值等缺点，具有较好的泛化能力。将此方法应用于股票价格的短期预测，取得晟好的实验结果，而基于支持向量机的股票价格短期预测模型对股市研究也有着重要的参考价值。     

基于Lamb波和支持向量机的复合材料损伤定位研究

为解决复合材料损伤定位问题,提出了一种基于Lamb波和支持向量机的定位方法。首先呈正方形均匀布置4个压电传感器,采用质量块模拟损伤。通过小波滤波以及傅里叶变换提取带有损伤信息的频率特征,将8960(64×140)组频率样本作为输入、以损伤位置作为输出建立基于支持向量机的损伤位置辨识模型。最后经测试,60个(共64个)损伤位置准确识别,正确识别率为93.75%。说明此方法可以较高精度的辨识损伤位置,该研究对及早发现结构损伤位置,提高整体结构的安全性具有重要的意义和研究价值。     

连锁零售企业应急需求预测——基于粗糙集和支持向量机

突发事件发生时,如何提高应急物流能力是连锁零售企业亟待解决的问题。将粗糙集理论引入连锁零售企业应急需求的预测中,建立基于粗糙集与支持向量机的连锁零售企业应急需求预测模型。首先利用粗糙集约减数据,剔除冗余信息,然后把它们作为支持向量机的输入矢量来预测应急需求。结果表明,与传统支持向量机模型相比,新的模型预测精度更高,更能有效预测应急需求。     

多小区块对角化的MMSE矢量扰动预编码

针对多小区基站协作的多输入多输出（MIMO）系统中,小区之间和用户之间的干扰对系统造成的性能降低的问题,提出了基于块对角化的最小均方误差（MMSE）矢量扰动预编码方案,实现多小区系统的性能改善。首先使用块对角化方法消除多小区间干扰;在预编码设计环节上,通过MMSE准则设计预编码矩阵,从而抑制病态信道对系统性能的影响;最后使用格基规约方法求解发射端矢量扰动信号。仿真表明,提出的算法提高了多小区矢量预编码的误码率性能,使其优于已有的块对角化及矢量扰动预编码等算法的误码率。     

基于组合评价的纺织行业财务风险预警模型研究

将主成分分析（PCA）和最小二乘支持向量机（LSSVM）结合,提出了一种适用小样本空间的财务风险模型：PCA—LSSVM模型。以传统年度财务指标为基础,通过主成分分析,简化了输入变量,并利用LSSVM作为判别企业风险等级的工具。该模型可以在纺织行业中的上市公司选中1个或多个企业参与,避免了传统算法模型在解决财务风险预测的缺陷。算例结果表明了所提出模型能有效地提高预警方案的可行性,为财务风险的在线实施提供了方便。     

BIBD循环置换矩阵的多进制LDPC码构造

提出了基于均衡不完全区组设计（Balanced Incomplete Block Design,BIBD）的 多进制准循环LDPC（Low Density Parity Check）码代数构造方法。在该构造方法 中提出了广义多进制位置向量的概念,并根据广义多进制位置向量和BIBD法对指数矩阵进行 广义二维扩展,构造出具有循环置换子矩阵的多进制校验矩阵,由此得到girth不小于6的多 进制LDPC码。仿真结果表明,采用FFT-QSPA（基于快速傅里叶变换的多进制和积算法）对构 造出 的LDPC码进行译码,在AWGN信道下相比 于同参数的RS码来说可以取得明显的编码增益,并且优于多进制Mackay码。     

一种新的混沌扩频序列产生方法

本文提出了一种新的混沌扩频序列产生方法。该方法基于神经网络的强大学习能力和副近非线性函数能力，应用具有全局最优的ＢＰ改进算法通过训练学习建立起具有混沌性态的优化神经网络模型，利用网络权值调整的灵活性来产生混沌扩频序列。计算机仿真结果表明，该模型产生的混沌扩频序列调整更容易，比基于单一混沌映射能产生更多符合扩频通信要求的扩频序列。     

基于运动方程的动态模拟方法

通过分析点目标的矢径运动方程,提出基于运动方程的动态模拟方法,可实现距离和速度的 精确相关并实现深空的超距离模拟。给出了“自检模拟源”和“基地模拟试验”两种方案及误差修正 方法,为测控信号的动态模拟提供了一种新方法。     

A Hierarchical Clustering Approach Based on Three-Dimensional Gray Relational Analysis for Clustering a Large Group of Decision Makers with Double Information

Two types of information, collectively referred to as double information, are usually required in management decision-making. The first is preference information expressed in a judgment matrix. The second is reference information expressed in a multi-attribute decision matrix. In this paper, we investigate large-scale group clustering problems with double information in group decision-making. We first establish a novel three-dimensional gray correlation degree index, which integrates the alternative decision-making vector, index vector and alternative preference vector, to fully excavate the correlation between decision makers with double information. We then develop a new clustering procedure combining three-dimensional gray relational analysis and the concept of hierarchical clustering. Moreover, a model for determining clustering centers is established on the basis of the maximum gray correlation degree within each cluster and minimum gray correlation degree among clusters. A heuristic algorithm for the model to identify the core decision maker in each cluster is proposed. Finally, we illustrate the applications of the developed procedures with a practical case. The rationality of the proposed method is demonstrated by comparing results with results obtained using other methods, including the traditional gray clustering method and hierarchical clustering method with single information; i.e., preference information or reference information.     

基于改进型深度学习的流量预测

为了解决无线网络中流量的预测精度不高的问题，提出了一种自适应分组的栈式自编码(AG-SAEs)深度学习预测方法。在数据的预处理过程中，首先使用最大最小方式对数据进行归一化处理，并提出一种新型的自适应分组方法，把归一化后的链路数据进行关联性分组；然后，基于深度学习方法建立了一个多输入多输出的预测模型，并将分组后的数据输入到预测模型中，对该模型进行训练来建立输入和输出流量之间的映射关系；最后，为了进一步提高预测精度，在模型的训练过程中，使用改进型的牛顿法来进行权值参数更新。仿真实验以及和其他算法对比的结果证实了所提方案具有更小的预测相对误差。     

Using an ensemble classifier based on sequential floating forward selection for financial distress prediction problem

Financial distress prediction (FDP) is a significant issue investigated by researchers, credit institutions and banks. Although extensive research has been conducted in this area, applications of combined feature selection (FS) methods and classification models are subjects that have been addressed intensely in recent years. One of the most important issues in the FDP problem is to employ an effective FS algorithm, leading to an acceptable level of performance accuracy in the implementation stage. Hence, this study primarily attempted to introduce a precise FS model and compared the obtained results with those of other conventional models tackling FDP in terms of accuracy. The proposed method involved the sequential floating forward selection (SFFS) algorithm applied as a wrapper FS technique to determine the best subset of features. At the classification stage, the support vector machine (SVM), owing to its good performance, demonstrated in numerous studies, in solving classification problems, was deployed. The performance of the proposed method was compared with those of other current well-known FS methods including artificial bee colony (ABC), genetic algorithm (GA) and sequential forward selection (SFS) (all of which are categorized under wrapper methods), and principal component analysis (PCA), relief and information gain (IG) (best known as filter techniques) for our given datasets. The results indicated that a combined model of SVM based on the SFFS approach can yield greater accuracy than the other methods applied for our defined domestic and foreign datasets. Therefore, the SFFS-SVM ensemble classifier can be considered a promising addition to existent models when confronting the FDP issue.     

基于改进的Hopfield离散神经网络的模式识别

本文介绍基于改进的Ｈｏｐｆｉｅｌｄ离散神经网络（ＩＨＤＮ）的模式识别。当一个要求存贮在网络中的模式输入时，我们计算它与其它模式的类似测试，并把类似测试在网络综合中加以考虑。当输入任一矢量时，由于网络的联想能力，该矢量将进化到与它距离最近的一个存贮模式中。理论分析和实验仿真结果表明，ＩＨＤＮ比原Ｈｏｐｆｉｅｌｄ离散神经网络（ＨＤＮ）有更大的存贮容量和更强的联想能力。     

一种基于区域搜索的全局运动估计与补偿算法

开展全局运动估计与补偿研究是进行动态目标检测中的基础和前提。在总结现有运动估计与补偿方法的基础上,提出一种基于图像分割区域的运动性和大小的全局运动估计与补偿算法。首先,通过建立区域搜索的全局运动模型,同时进行区域定性分割和区域大小排序;然后,根据误差最小化准则在指定的分割区域中进行线性递归搜索,利用门限准则寻找出最佳的运动估计参数;最后,根据双线性内插法获得运动位移量。实验结果比较可知,所提算法较三步搜索算法(TSS)和全局搜索算法(FSA)等传统算法具有更高的准确性(图像平移帧差)和实时性(算法运行时间),能够很好地实现运动背景的全局校正。