摘要：提出了基于并行和切片的卷积神经网络模型,并行网络通过两条通道分别对上一层特征图进行特征提取,但是同时网络参数也会倍增;切片网络是把上层输出特征图先切成两份,再分别对每份特征图进行卷积操作,最后再把两部分的卷积输出进行融合.和同规模的模型相比,这两种模型能够提取更为本质的图像特征,但是切片网络不会增加网络的参数.在实验阶段用这两种网络在cifar10和cifar100数据集上进行测试,取得了良好的效果.

摘要：针对数据流中概念漂移和噪声问题,提出一种新型的增量式学习的数据流集成分类算法。首先,引入噪声过滤机制过滤噪声;然后,引入假设检验方法对概念漂移进行检测,以增量式C4.5决策树为基分类器构建加权集成模型;最后,实现增量式学习实例并随之动态更新分类模型。实验结果表明,该集成分类器对概念漂移的检测精度达到95%~97%,对数据流抗噪性保持在90%以上。该算法分类精度较高,且在检测概念漂移的准确性和抗噪性方面有较好的表现。

摘要：针对传统关联数据分类方法一直存在分类精度差的问题,提出一种运动数据中的最优关联数据的分类方法。由于运动数据的变化量十分的庞大,同时变化程度也无法用规律进行推导,因此需要确定运动数据中的最优关联数据,通过最优关联数据的关联性进行高速提取,使用异导函数对提取的数据进行系统的分类。为了保证提出的运动数据中的最优关联数据的分类方法的有效性,设计对比仿真实验,通过实验数据表明,提出的运动数据中的最优关联数据的分类方法能够准确地对运动数据中的最优关联数据进行系统分类。

摘要：提出一种新的标记迭代过程中错分样本的AdaBoost算法(MWBoost),该算法通过在提升过程中,把上一个分类器错分的样本全部参入到下一个分类器的训练中,并在分类正确的样本中进行重采样,从而使得后一轮提升中分类器能够更快速地关注那些难以分类的样本。该算法在UCI的多个数据集上进行了测试,并且与传统的AdaBoost算法进行了比较,实验结果表明,新的算法具有更好的分类精度。

摘要：文本数据具有规模大、特征维数高等特点,当前文本分类方法无法刻画文本变化特点,使得文本分类正确率低、误差大、分类时间长,为了获得理想的文本分类效果,设计基于大数据挖掘技术的文本分类方法。首先对当前文本分类的研究进展进行分析,找出导致当前文本分类效果差的原因;然后,提取文本分类原始特征,并引入核主成分分析算法对原始特征进行处理,降低特征维数,简化文本分类器的结构;最后,采用大数据挖掘技术构建文本分类器,并与其他文本分类方法进行对比测试。测试结果表明,所提方法可以更好地描述文本变化特点,能够对各种类型文本进行准确识别和分类,文本分类精度超过95%,明显高于当前其他文本分类方法,并且所提方法的文本分类时间显著减少,具有更好的文本分类效果。

摘要：是因为 SVM 的训练复杂性高度依赖于设置的数据的尺寸，至于模式识别和机器学习为大规模数据采矿赞成了支持机器(SVM ) 不是的向量，这篇论文论述几何基于距离的 SVM (GDB-SVM ) 。Ittakes 在一个点和是的分类亢奋的飞机之间的距离分类根据理论分析和几何直觉统治，并且被设计。试验性的代码作为翻译并且编辑的系统是有 Microsoft Visual C++ 6.0 的导出的 fromLibSVM。五 GDB-SVM 的四预言的结果比对所有(OAA ) 的方法的那些好。五 GDB-SVM 的三预言的结果比对(天体观测卫星) 的方法的那些好。Experimentson 真实数据集合证明 GDB-SVM 比 OAA 和天体观测卫星的方法优异不仅，但是为大数据集合高度可伸缩当产生高分类精确性时。

摘要：如何从用户能耗数据中准确地挖掘出有价值的信息一直是电力行业的研究热点,而贝叶斯分类算法则是机器学习和数据挖掘研究领域中常用的数据处理方法之一。此方法具有简单、高效以及分类效果稳定的优点,而且可以建立可对数据库中给定类别的数据记录进行映射的模型以及可描述能耗数据以预测趋势的模型,从而为用户综合能耗特征识别提供有效的解决方案。但是传统的贝叶斯分类算法的分类精度较低,往往不能满足其他对于分类精度有着高要求的研究需求。基于这种情况,通过构建扩展模型,设计了基于粗糙集理论的贝叶斯分类算法,从而满足用户综合能耗特征识别中对于分类精度的需求。最后,通过直接的实验结果来验证基于粗糙集贝叶斯分类算法的综合能耗特征识别可以在很大程度上提高分类精度。

摘要：为了降低支持向量机对不平衡数据的倾向性影响,以及减弱其对噪声点或野值点的敏感,提出了一种新的模糊支持向量机隶属度函数设计方法.该方法分析产生倾向性的原因,有效地区分样本对分类面的贡献,合理地设计隶属度函数.最后通过对含噪声的非均衡数据实验表明,该方法平衡了倾向性,提高了预测分类精度,从而增强了支持向量机在入侵检测和故障诊断等方面的应用.

摘要：对不同空间分辨率下的土地利用现状进行分类评价,并基于立方卷积法对空间尺度进行转换,对比转换前后不同空间尺度下土地资源分类精度,结果表明:研究区建设用地、耕地、水域以及植被均在不断增加,未利用土地在逐年递减。原始影像分类情况下,分辨率为30m、15m、2m时的分类精度为84.6%、87.8%和87.2%,进行空间尺度转换后,分类精度分别提升至94%、94%和94.9%;当空间分辨率为16.1m时,可以达到最好的分类效果。

摘要：遥感影像已成为林业工作中必不可少的介质,中高分辨率遥感影像的出现带来了更大的机遇。遥感在林业上应用范围很广,包括森林资源调查、森林资源动态监测、荒漠化与沙化土地监测、森林火灾监测、森林病虫害监测、林业生态工程监测与评价等。但是,在应用过程中也存在很多问题,如数据源价格偏高,图像阴影无法去除,树种识别困难和森林蓄积量估测精度不高等。文章提出了建立影像数据库,建立主要树种的波普数据库,建立数学模型,建立植被解译体系等方法来提高中高分辨率影像在林业中的应用。