一种基于GIS的应急分类管理研究

当输入维数高时神经网络结构复杂、体系庞大，导致其收敛速度慢。为克服这个缺点，提出了基于决策规则的神经网络,利用粗糙集理论从数据样本中获取最简的决策规则，按决策规则语义构建一种不完全连接的神经网络。根据

数据包分类技术属于高速网络数据处理中的关键技术［1］，在对已有数据包分类技术作简单比较的基础上，提出了一种基于查找表的数据包快速分类技术。该技术保留了纯软件方案的良好扩展性，获得了ASIC的线速处理速

提出一种基于图的半指导学习算法用于网页分类。采用k近邻算法构建一个带权图，图中节点为已标志或未标志的网页，连接边的权重表示类的传播概率，将网页分类问题形式化为图中类的概率传播。为有效利用图中未标志节点

由于一个类别在层次树上可能存在多个镜像，基于层次树来进行分类可能会导致不一致性。一种自然的解决方法是采用图结构来描述类别关系，在现实生活中人们实际的描述方式也是如此。鉴于此，提出了一种直接基于图的层次

针对基于词袋的机器学习文本分类方法所存在的高维度、高稀疏性、不能识别同义词、语义信息缺失等问题，和基于规则模式的文本分类所存在的虽然准确率较高但鲁棒性较差的问题，提出了一种采用词汇—语义规则模式从金融

基于支持向量机核函数的条件，将Sobolev Hilbert空间的再生核函数进行改进，给出一种新的支持向量机核函数，并提出一种改进的最小二乘再生核支持向量机的回归模型，该回归模型的参数被减少，且仿真实

提出了一种基于核的模糊多球分类算法,该算法在训练阶段为每一个模式类构造多个最小球覆盖其所有的训练样本,并且在识别阶段算法利用一个模糊隶属函数来归类测试样本。此外,在提出的分类算法的基础上,还给出了它的

针对高速网络应用对基于范围查找的分组分类算法的要求以及高性能并行计算环境的特点,提出了一种高速多维分组分类算法——PRSMC（基于范围搜索的并行多维分类）算法。该算法具有较快的搜索速度和较强的并行性,

针对基于概率统计的ML-kNN算法只能对每个独立的标签进行分析，忽略了真实世界中标签间的相关性，提出了一种联系标签相关性的ML-kNN算法（S-ML-kNN）。该方法对训练集进行扩展，并按照标签间的二

为提高数据分类的性能，提出了一种基于信息熵[1]的多分类器动态组合方法（EMDA）。此方法在多个UCI标准数据集上进行了测试，并与由集成学习算法—AdaBoost，训练出的各个基分类器的分类效果进行比