摘要：在实例推理中,关键是通过匹配得到相似实例,而计算实例之间相似度时,实例的特征权值的确定尤为重要,决定了是否能够得到最优实例。基于此,提出了一种基于单亲遗传算法的实例特征权值确定方法,首先利用专家经验得到初始权值组合,该组合能够最好的代表可行解,在此基础上应用单亲遗传算法对初始权值组合进行优化,确定每个特征的权重。将该特征权值确定方法应用到钻井液配方设计项目中,并与传统方法进行比较,得出该权值确定方法可以得到较好的效果。

摘要：在实例推理中,特征属性权值是实例准确匹配的基础,甚至关系到实例推理整个过程能否正常运行。现在特征属性权值确定方法分为主观赋权法和客观赋权法两种,但是它们都有一定的缺陷。在分析它们各自的缺陷的基础上,本文提出一种新的特征权值赋值法即层次分析法和粗糙集理论赋权法的组合法,并详细地阐述了层次分析法和粗糙集理论以及各自的赋权过程和这种组合法的组合原理。这种组合法既减少了权值的主观性,又增加其客观性,使得特征属性的赋权达到主观与客观的统一,进而使权值更符合实际、更正确。最后,结合一个具体的实例来验证该组合法的有效性和正确性。

摘要：在FPGA数据处理应用场合中,引入神经网络能够提高数据特征的学习能力。但是基于非嵌入式的神经网络在运算过程中通常具有显著的复杂性和稀疏性,难以直接应用于FPGA上。于是,为了提高FPGA在数据处理时的并行性和高效性,设计了基于卷积网络加速器的FPGA数据处理架构。首先对卷积网络的层进行优化设计,采用ReLU函数来加速卷积层的收敛,同时采用平均池化方案增强网络适应性,通过卷积的尺度变换对特征图采取压缩,达到在一个层中并行计算的目的。然后对FPGA的处理模块和缓存模块进行优化设计,判定器对有效数据的权值索引和计数等参数采取验证,将大量的乘加操作递交给FPGA的DSP来处理;对特征图及其中间变量采取BRAM缓存,根据横向、纵向,以及深度分别采取分配。最后,对加速器执行过程中FPGA的资源利用和执行时间进行分析,通过资源和时间因素对加速器执行过程采取调整。实验结果表明,基于卷积网络加速器的FPGA数据处理方案提高了FPGA的资源利用率和有效算力,无论是在不同平台或是不同加速器的对比情况下,都能够获得更为优秀的数据处理性能。

摘要：针对汉字字形设计和开发的困难,提出基于特征点抽象的汉字字形描述方法和汉字字形生成方法,研究特征点、特征表达式、特征点的权值和权矢量等在汉字字形生成中的应用技术和方法,并以点的生成为例,设计汉字点笔画的生成算法,并进行验证实验。实验结果证明该算法可靠并实用,可切实提高汉字字形设计的效率,为汉字其他笔画的生成提供一种解决方案。

摘要：在案例推理(CBR)案例检索匹配中,不同案例通常由不同的特征构成。而传统的CBR引擎模型大多采用固定权值模式,导致系统在匹配精度方面的性能很低。为了解决这一问题,提出一种CBR变权值引擎模型,在其特征权值计算模块引入人机互动机制,基于群决策法计算主观权值,提出依据专家个体和群体决策差异的主观权值调整方法;基于相似粗糙集法计算客观权值。最后设计了一种综合权值调整算法,通过计算主观权值和客观权值间的距离,判断两者的偏离程度,从而推导出权值调整系数,得到最终的权值调整结果。通过网络攻击案例进行的算例分析和仿真实验验证了上述方法的正确性和优越性。

摘要：为解决选定特征上的聚类问题和模糊C-均值聚类存在的初始值敏感、易陷入局部最优的问题,提出了一种基于改进萤火虫算法的模糊软子空间聚类方法。该方法在模糊C-均值聚类算法的基础上,采用基于数据可靠性的k-均值算法中特征权值的计算方法,并结合萤火虫算法的全局搜索能力对所有的特征子空间进行搜索;设计了一种目标函数来对聚类结果和子空间所包含的特征维进行评估,并利用目标函数改进了萤火虫算法的搜索公式。实验结果表明,该方法能有效地收敛于全局最优解,具有良好的聚类效果和抗噪性。

摘要：为解决入侵检测领域计算复杂度、时间复杂度高的难题,达到更优秀的入侵检测效果,有效降维,在原有的ReFCBF算法的基础上,提出增强区分特征间互信息的能力,以在改进的Re-ReliefF算法的基础上,实现更佳的入侵检测效果为目标。实验采用DARPA 2000数据集,对数据的41维特征进行选择,采用支持向量机作为分类器,实验结果表明,该改进方法在分类的耗时和误报率略好的情况下,提高了30%的准确率。

摘要：壳近邻分类算法克服了k近邻分类在近邻选择上可能存在偏好的问题,使得在大数据集上的分类效果优于k近邻分类,为了进一步提高壳近邻算法的分类性能,提出了基于Relief特征加权的壳近邻分类算法。该算法在Relief算法的基础上求解训练集的特征权值,并利用特征权值来改进算法的距离度量方法和投票机制。实验结果表明,该算法在小数据和大数据上的分类性能都优于k近邻和壳近邻分类算法。

摘要：针对SOM算法中欧氏距离无法根据特征的重要性来衡量相似度、易引入无关特征干扰的缺点,提出了一种基于基因表达谱特征分布的SOM聚类算法。算法通过衡量特征对同类基因的凝聚能力和对异类基因的区分能力,对不同的特征赋予不同的权值,将此权值引入到基因数据与神经元的相似度计算中,并利用改进的粒子群优化算法调整获胜神经元及邻接神经元的权值。实验结果表明,该算法有效增强了聚类结果的类内凝聚度和类间区分度,提高了聚类准确率。

摘要：传统的组合优化蚁群算法在求解优化过程中要消耗大量的时间,极易陷入局部最优解和收敛速度过慢等弊端,同时还会产生大量无用的冗余迭代码,运算效率低;因此,提出一种遗传蚁群优化算法;该算法具备了遗传算法快速搜索全局能力的同时也具备了蚁群算法并行性和正反馈机制;利用遗传算法改变选择算子、交叉算子和变异算子操作来确定路径上信息素的分布,将蚁群算法用于特征选择,采用支持向量机分类器分类性能反馈用于评价特征子集解,并通过对改变信息素的迭代、参数选择和增加对信息素局部更新方式指导特征结点重新组合;仿真实验表明,该算法可以有效提高计算精度,加快收敛速度,优化全局最优解的同时增强了系统的鲁棒性和稳定性。