摘要：代价敏感学习中经常考虑测试代价和误分类代价。在实际应用中,一个属性的测试代价常跟属性值的粒度有关,而一个具有多个属性的对象的误分类代价又常受它的属性的总测试代价大小的影响。基于这一点,研究在总测试代价受限的情形下,数据的属性和粒度选择的问题。以最小化数据处理的平均总代价为目标提出了一种方法,该方法能同时选择最优的属性子集和数据粒度。首先建立了该方法的理论模型,再设计了一个高效的算法。实验结果表明,所提算法能有效地进行不同大小的测试代价约束下的属性和粒度选择。

摘要：派工法则是求解作业车间调度问题的一种简单有效的方法。针对一种装配作业车间调度问题建立仿真模型,并通过基因表达式编程(Gene expression programming,GEP)算法自动产生并搜索最优的派工法则。仿真模型结果表明,在最小平均流程时间和最小平均绝对偏差两个目标函数下,GEP算法都能够找到比现有常用的派工法则更好的解,在计算时间和求解质量方面也都具有优势,并且有较强的鲁棒性。具体设计上,构造属性筛选机制以减少搜索空间,提升搜索性能,采用动态自适应算法提高GEP的搜索效果,通过仿真试验构建不同的生产环境证明了所提算法的有效性。

摘要：代价是现实数据的重要方面.数据的测试代价与数据的误差范围,即数据的粒度紧密相关,而误分类代价又跟测试代价有关,已有的属性选择方法往往忽视了这一点.为了处理这种情况,提出了一种基于误差范围和可变代价的最优属性子集选择方法.首先建立了该方法的理论框架,再设计了相应算法.在该方法中,测试代价和误分类代价根据不同的误差置信水平自适应地生成.再以最小化平均总代价为目标进行属性选择,从而得到最优的属性子集和误差置信水平.实验结果验证了所提方法的有效性.

摘要：为解决其他访问控制机制向基于属性的访问控制机制迁移过程中所面临的策略生成问题,该文提出一种基于访问控制日志的访问控制策略生成方法,利用基于机器学习分类器的递归属性消除法实现策略属性的选择,基于信息不纯度从日志记录中提炼出蕴含的属性-权限关系,结合实体属性选择的结果,构建策略结构树,实现基于属性的访问控制(ABAC)策略的生成,并设计了基于二分搜索的策略生成优化算法实现对最优策略生成结果的快速计算。实验结果表明,只需原始实体属性集中32.56%的属性信息即可实现对日志中95%的策略覆盖,并且能够将策略规模压缩为原有规模的33.33%,证实了该方案的有效性,能够为ABAC策略管理提供有力支撑。

摘要：在构造决策树的过程中,属性选择将影响到决策树的分类精度.对此,讨论了基于信息熵方法和WMR方法的局限性,提出了信息系统中条件属性集的离散度的概念.利用该概念在决策树构造过程中选择划分属性,设计了基于离散度的决策树构造算法***算法可以解决WMR方法在实际应用中的局限性.在UCI数据集上的实验表明,该方法构造的决策树精度与基于信息熵的方法相近,而时间复杂度则优于基于信息熵的方法.

摘要：为保证卫星稳定运行,延长卫星寿命,提出一种基于角度偏离的卫星异常检测算法(ADMAD)。针对卫星遥测数据构成的高维数据空间,利用共享近邻(SNN)算法构建相关数据集空间,用角度代替距离,采用基于角度偏离的属性选择算法筛选与异常相关的属性,使用归一化的马氏距离计算异常值,结合统计学知识计算得到异常阈值并对数据集进行分类。采用某卫星2014年7-9月、2015年7-9月控制和电源分系统的遥测数据分别进行验证,试验结果表明,在领域知识匮乏的情况下,该算法的准确率可以达到95%以上,算法鲁棒性较高,能够有效地实时检测卫星分系统异常。

摘要：考虑到软件定义网络异常流量分类受到网络复杂特性的影响,导致分类效果变差,提出了基于K-means聚类的软件定义网络异常流量分类研究。利用权重属性,划分了软件定义网络异常流量的频度,在网络异常流量的分布形式转化过程基础上,根据软件定义网络异常节点出现的概率,计算了异常流量的特征值,提取出软件定义网络异常流量特征,根据软件定义网络异构值差的度量,初始化软件定义网络的参考向量值,通过更新分类属性的邻域半径,计算网络异常流量的参考向量,选择出软件定义网络异常流量分类属性,利用K-means聚类算法过滤软件定义网络异常流量,对软件定义网络异常流量进行检索,通过定义网络异常流量分类的目标函数,利用K-means聚类算法理论,构建软件定义网络异常流量的加权临界函数,结合对角矩阵的求解,设计了软件定义网络异常流量分类原理,实现了软件定义网络异常流量的分类。实验结果表明,文中分类方法的查全率、差准率较高,适应度以及收敛性能较好。

摘要：本文研究了最小测试代价下算法的比较问题。针对模拟退火算法的设计,考虑了4点因素:初始化原子解、模拟退火演化算法、调解每个原子根据测试代价的限制、选择最小测试代价原子解。由于很多初等数学函数模型可以描述现实生活中某些变化规律,因此本文用初等函数的数学模型产生误分类代价。

摘要：大学生的课程学习是提高学业水平的重要组成部分。预测大学生的课程成绩,预警有课程学习失败风险的学生,成为教育大数据研究中的一个重要课题。电子签到系统收集了学生在课堂上签到时间和座位选择等信息。这些信息反映了学生的学习兴趣、成就动机与性格特征等因素,与课程成绩具有较强的相关性。研究了基于课堂电子签到数据的课程成绩预测方法,结合学生的心理测试数据构建了成绩预测模型,模型中包括座位选择与签到时间等属性构造、预测方法设计、预测结果修正等模块。提出了基于成绩分布的教室座位分区划分方法和同伴影响的预测结果修正方法,提高了成绩预测的精度。利用真实数据集对所提出的预测模型进行了充分的实验验证,百分制成绩平均预测误差在10分以内。

摘要：为处理有测量误差的数据,并且考虑到误分类代价不仅与样本相关,而且与测试代价紧密相关,提出了一种代价敏感最优误差边界选择方法。根据不同的误差边界自适应生成测试代价及误分类代价,以最小化总代价为目标,设计了基于不同误差边界的属性选择方法,进而进行最优误差边界选择。在四个UCI标准数据集上的实验分析显示,该设计方案可有效地选出最优误差边界,以保证所选属性集合具有最小的平均总代价。