摘要：为快速对数据进行特征选择以实现精确分类,采用M-distance算法思想进行数据集簇聚类,对样本数据进行预处理;设计加权K近邻算法缩减样本间距并构建样本分类模型;采用模拟简谐振动的方法遍历样本数据,求解最优加权特征向量,实现样本分类.实验结果表明:设计的算法是正确的,分类模型是合理的.在样本数据特征中,分离出的消费者最为关心的前10个样本特征符合消费者的行为选择,说明算法设计有一定实用性.

摘要：以深度学习为代表的人工智能技术为制图综合智能化水平的提升创造了有力的条件。然而,智能学习模型的应用依赖高质量的样本数据,目前还缺乏适宜制图综合知识学习的案例数据集。以不同比例尺居民地要素综合为例,深入探讨服务于智能化制图综合的样本数据采集建库方法。主要工作包括:依据地图数据组织特点和制图综合过程决策需求,提出了区分特征型案例和变换型案例的样本数据组织体系以及相关的数据结构设计;基于通用GIS平台设计了样本数据采集与管理系统,形成对样本数据采集、存储、修正、更新等全链条的管理维护框架。本研究是针对图形表达的地图要素如何构建案例数据集的有益探索,对推动以制图综合为代表的复杂地图空间知识学习具有积极意义。

摘要：鉴于证据理论对样本分类和决策过程的复杂性以及不稳定性,提出了一种基于神经网络模型和模糊集理论的样本决策算法。为了降低样本分类和决策过程的复杂性,增强算法的稳定性和适用性,在该算法中,设计并提出了一种新的隶属度函数。应用提出的隶属函数对相关数据集样本进行模糊化处理,得到数据集的模糊化矩阵,其中输入样本数据与不同样本类别的隶属度相关联。根据隶属度矩阵,并结合性能较好的激活函数Swish-B,通过神经网络分类器,样本将被归属于特定的类。基于鸢尾花数据集对其进行可视化分析,将该方法与传统的证据理论及相关改进算法进行比较,验证了所设计的隶属度函数具有良好性能,同时实验结果证明了该算法的合理性与有效性,算法过程更为简单,鸢尾花数据集的分类准确率高达98%。

摘要：人脸特征是最自然直接的生物特征,它具有直接、友好、方便的特点,易于为用户接受。人脸识别由于其在监控、罪犯识别、人机交互等方面广泛潜在的应用,已成为图像处理、模式识别和计算机视觉等学科最活跃的研究领域。线性鉴别分析是特征抽取中最为经典和广泛使用的方法之一。近年来,在小样本情况下如何抽取Fisher最优鉴别特征一直是许多研究者关心的问题。文中阐述了应用Fisher判别法在人脸图像样本分类方面的运用。在标准数据库ORL人脸库和Yale人脸数据库上仿真的试验结果证实了方法的有效性和稳定性。