在非结构化数据挖掘结构模型——发现特征子空间模型(DFSSM)——的运行机制下,提出了一种新的Web文本聚类算法——基于DFSSM的Web文本聚类(WTCDFSSM)算法.该算法具有自稳定性,无须外界给出评价函数;能够识别概念空间中最有意义的特征,抗噪声能力强.结合现代远程教育网应用背景实现了WTCDFSSM聚类算法.结果表明:该算法可以对各类远程教育站点上收集的文本资料信息自动进行聚类挖掘;采用网格结构模型,帮助人们进行文本信息导航;从海量文本信息源中快速有效地获取重要的知识

1 算法的概念 2 问题描述及算法描述方法 3 算法正确性分析 4 算法复杂性分析 5 标准符号和通用函数

教学内容 首先介绍人工神经网络的基本概念和 ANN 的特性，以及神经网络的学习方法。然后讲授典型的前向神经网络、反馈神经网络的原理、结构、基本算法，给出了 BP 网络的算法改进。最后介绍了神经网络 PID 控制。 教学重点 1. 神经网络的各种学习算法，神经网络的训练。 2. 感知器网络、BP 网络的结构和算法、BP 网络学习算法的改进，反馈网络的结构、学习算法。 3. 神经网络 PID 控制

(1. 鞍山科技大学 理学院, 辽宁 鞍山 114044; 2. 武汉大学 数学与统计学院, 湖北 武汉 430072) 摘 要: 分子生物学中基因无方向的反转基因组重排问题在数学上已被证明是一个 N P2难问题. 目前, 较好 的算法是 Ch ristie (2001) 的 3ö22近似算法. 本文给出一种适合于计算基因无方向的反转基因组重排问题的模 拟退火算法, 定义了解的邻域结构. 数据实验的结果表明该算法性能优于 3ö22近似算法

针对G-P算法及其改进算法的不足,提出了一种新的改进算法.应用该算法不仅能简化无标度区的确定过程,而且能客观地判断系统的关联维数是否饱和,从而对随机信号和混沌信号加以识别.对新的G-P改进算法进一步分析表明:新的G-P改进算法适用范围广泛,对于混沌信号的识别很有效

提出了一种适用于多镜像站点环境下的分布式Web使用聚类局部挖掘算法LUC和全局挖掘算法GUC,较好地解决了Web访问信息的异地存储、分布式算法通讯量等因素给模式分析过程带来的困难.将给出的算法用Java语言加以实现,并对算法性能进行了研究.结果证明,该算法是有效的,可以用来高效、准确地在多镜像站点环境下发现Web用户群体模式

针对标准遗传算法在求解车间作业调度问题中易陷入局部极值点的缺点,提出了一种基于领域知识的动态双种群遗传算法.由于最优调度必定是活动调度,算法利用活动调度技术来进行空间缩减;两个子种群分别采用正、逆序调度策略来提高种群的多样性.算法采用一种新的染色体编码来表示活动调度方案,并给出了相应子种群的初始化策略、遗传操作,以及子种群之间的交叉方式.Benchmark算例的仿真实验与分析表明,该算法在计算时间和求解质量上均具有较好的效果

全连接的玻尔兹曼机模型可全面描述稀疏系数间统计依赖关系,但时间复杂度较高.为了提高基于玻尔兹曼机的贝叶斯匹配追踪算法(BM-BMP)的重构速度和质量,本文提出一种改进算法.第一,将BM-BMP算法的最大后验概率(MAP)估计评估值分解为上一次迭代的评估值与增量,使得每次迭代仅需计算增量,极大缩短了计算耗时.第二,利用显著最大后验概率估计值平均的方式,有效近似最小均方误差(MMSE)估计,获得了更小的重构误差.实验结果表明,本文算法比BM-BMP算法的运行时间平均缩短了73.66%,峰值信噪比(PSNR)值平均提高了0.57 dB

在基本的遗传算法(SGA)中,初始群体是随机产生的.为了增加个体的遍历性和多样性提出一种用网格法来产生遗传算法的初始群体,并对网格法的遗传算法的优化效率进行了定量的评价.同时与基本的遗传算法一起应用在DeJong的测试函数F1上便于进行对比.评价结果和实验结果表明网格法在提高遗传算法的优化效率上是可行的

提出了一种基于聚类的支持向量机增量学习算法.先用最近邻聚类算法将训练集分成具有若干个聚类子集,每一子集用支持向量机进行训练得出支持向量集;对于新增数据首先聚类到相应的子集,然后计算其与聚类集内的支持向量之间的距离,给每个训练样本赋以适当的权重;而后再建立预估模型.此算法通过钢材力学性能预报建模的工业实例研究,结果表明:与标准的支持向量回归算法相比,此算法在建模过程中不仅支持向量个数明显减少,而且模型的精度也有所提高