关键词： 非线性配准   机器学习   最优属性向量  

摘要： 针对基于属性向量的非线性配准算法,提出用机器学习的方法寻找脑图像中各个点上的最优几何特征向量。通过定义一个能量函数把寻找最优属性向量的过程归结为一个最优化问题。把训练得到的最优属性向量与HAMMER(一种基于属性向量的非线性配准算法)相结合,对模拟的MR脑图像进行了实验．与HAMMER相比,位移场的精度提高了10%。改进后的算法对真实的MR脑图像的配准结果,也有很大的改善。

关键词： 机器学习   生物信息学   学习方法   数据库   基因  

摘要： 分析了机器学习技术的内容,介绍了生物信息学的内涵和新的应用技术,同时探索了机器学习技术对生物信息挖掘应用的途径.这些方法有助于加速生物分子结构预测、基因发现、基因组学和蛋白组学等方面研究的进展.

关键词： 机器学习方法   中医理论   复杂系统性  

摘要： 论述了机器学习方法的产生和基本内容,论述了中医药的复杂性,从事例到理论上说明两者之间的内在联系性,特别论述了现代基因决定论下中医理论的发展前景。

关键词： 遗传算法   机器学习   多目标优化   Pareto最优解  

摘要： 将遗传算法与机器学习相结合,在分类器系统的基础上,引入增强因子、排挤因子、合并因子等改进因子,完善信度分配机制,提出了改进的遗传机器学习方法.并将算法应用于投资的收益与风险双目标优化模型,数值结果表明,改进算法能够寻求到数量更多、分布更广的Pareto最优解,并且具有较好的稳定性,避免了非成熟收敛.

关键词： 互联网   入侵检测   机器学习   计算复杂度   信号分析  

摘要： 随着互联网的飞速发展，信息安全成为影响网络应用的最严重的问题之一。入侵检测是信息安全防护体系中的一个必不可少的环节，研究互联网入侵检测对促进网络技术的进步、进一步提高网络利用效率等都具有极为重要的意义。\n 互联网入侵检测的任务就是要将互联网上的正常网络行为和攻击行为区分开来。更进一步的，要将不同种类的网络攻击行为区分开来。传统的入侵检测主要是采用信号分析或者统计学中的方法，但这种传统的入侵检测思路不适应网络行为的多样性和攻击手段的迅速发展。近几年来，利用机器学习中的理论与方法来解决入侵检测成为一个热点。\n 本文面向入侵检测领域，对目前国际上流行的一些机器学习的方法进行了研究，涉及到有监督学习、非监督学习和主动学习等多个方面。总体来说，在本文中，主要的工作和贡献有：\n 1.利用离散Adaboost算法设计并实现了基于有监督学习的入侵检测系统。采用了改进的初始权值设置方式和简单的避免过学习策略，使得我们的基于Ababoost算法的入侵检测算法在保持较高的检测率的情况下，大幅度降低虚警率。同时，该入侵检测算法计算复杂度低，能够频繁重训练以应付复杂多变的网络环境，因而很有希望走向实用化。\n 2.分别利用多类谱聚类算法和优势集聚类算法设计并实现了基于非监督学习的入侵检测算法。我们采用了多个聚类容器投票的策略来部分抵消聚类容器容量不能太大从而导致准确性低的问题。但实验结果表明，单独使用这两种算法都无法取得令人满意的检测结果。\n 3.提出了非监督主动学习框架，并设计实现了层次图论聚类主动学习入侵检测算法，将优势集聚类和谱聚类进行互补，在大幅度减轻人工标记负担的情况下，保持较好的检测效果。我们的主动学习框架具有扩展性强、灵活性高、能在很大程度上解决语义鸿沟问题、模拟了人类的认知过程等优良的特性，有继续深入研究的价值。\n 总的说来，本文在机器学习方法本身及其在互联网入侵检测领域中的应用等方面做了一些有益的探索。

关键词： palaeoecology   vegetation dynamics   machine learning   equation discovery   hierarchical clustering  

摘要： A palaeoecological study was conducted to investigate past environmental conditions and vegetation dynamics around the southwestern Ljubljana Moor. In order to find potential regularities and/or dependencies among co-existent plant species through time, different machine learning methods were applied to pollen records from the cores taken at Bistra and Hocevarica. The data comprised relative pollen frequencies of the most common plant genera/families at particular core depths that correspond to particular ages in the Early and Mid Holocene periods. The applied methods include equation discovery and hierarchical clustering. Both methods have found plausible and explainable relationships among identified plant genera/families. (c) 2005 Elsevier B.V. All rights reserved.

关键词： 贝叶斯网络   市场直销   响应模型   演化程序   决策分类树   机器学习方法  

摘要： 上一个十年中,市场直销在世界范围内有了显著增长。直销市场的扩大对定量研究提出了新的挑战。以目录直销为例。市场直销中的数据分析人员通过建立模型来识别最可能带来利润的客户,并向他们邮寄促销材料,使诉求获得最大回报。如果经费有限,那么只能向数据库中的一部分客户邮寄材料。因此,市场直销模型中最首要的目标就是判断哪些客户是最可能响应(购买产品)的。这就引入了响应预测问题。到目前为止,对该模型的研究主要来自传统的统计方法,比如逻辑回归和判别式分析。此外,机器学习方法也开始用来解决诸如破产预测和消费者选择模型等一些分类问题,较为常用的如神经网络(ANN)和决策分类树(CART)。虽然这些方法在建立预测模型上比较有效,但在市场研究的应用中尚有不足。在这篇论文中,我们提出了一种新的机器学习方法——用演化程序学习的贝叶斯网络方法,来给市场直销数据库建立消费者响应模型。贝叶斯网络在处理预测模型上有几个显著优点:在条件独立的假设基础上,贝叶斯网络模型把研究问题看成随机变量的联合概率分布,它可以处理混合数据类型和复杂的模型结构,并能够用概率推理来发掘变量之间的相互联系。应用大型市场直销数据库,本文首先把贝叶斯网络作为一种算子将数据表示成网络模型(DAG),然后应用演化程序作为随机搜索算法来寻找最优的模型。为了评估模型的适应度,平衡模型的复杂度和精确度之间的关系,本文选用最小描述长度矩阵(MDL)作为适应度函数。一旦最佳模型找到,用来描述变量之间关系的条件概率就能计算出来。被学习的贝叶斯网络给变量的每个分类均生成一个概率分数,用于交叉验证和预测。因变量的概率分数,用于预测建模。

关键词： 分布式机器学习   异构数据分析   高斯混合模型   元数据分析  

摘要： 随着计算机技术和电子通信技术的飞速发展越来越多的分布式计算环境出现在我们的工作和生活中如Internet intranets传感器网络等分布式环境中存在大量的数据存储和计算结点如何充分利用这些分散着的计算资源来处理分布式环境中的数据已经成为机器学习和数据挖掘研究中的一个热点问题 根据分布式计算环境中的数据是否来源于同一样本空间分布式机器学习的研究工作可分为分布式同构学习和分布式异构学习后者相比之下更具有挑战性和应用价值也是本论文所关注的焦点 多元数据的主成分分析是诸多统计机器学习算法的基础本文提出了一种基于协方差分解的分布式异构数据主成分分析方法理论分析和实验结果表明本文给出的算法和以往的同类算法相比具有更高的效率和精度在该算法的推导过程中我们给出了异构数据充分统计量的分布式估计方法使得其它一些基于多元统计模型的分布式学习算法也可以比较容易地移植到分布式异构数据集上 和上述非监督学习方法相比在部分或全部监督信息可取得的情况下基于这些监督信息进行特征选择有助于进一步提高学习机器的精度本文提出了可用于分布式异构数据的半监督特征选择算法以及一种基于Markov Blanket辨识的监督特征子集选择算法这两种方法可以将分布式异构数据的样本空间降维到最大互信息意义下的优化子空间 研究样本在特征空间中的分布是进行学习机器设计和数据挖掘的重要内容高斯混合模型GMM兼备参数模型和非参数模型的优点在基于数据驱动的机器学习算法中被广泛使用因此本文先在EM框架下推导了分布式异构数据集上的混合模型参数估计算法然后针对一类特殊的异构数据即元数据推导了基于Monte Carlo采用的参数更新方法

关键词： 统计学习理论   机器学习   支持向量机   准支持向量   核感知机   小波核机器   模糊小波支持向量核机器   核机器模型  

摘要： 论文主要对机器学习问题、核机器方法、小波核机器、模糊小波核机器等内容进行探讨和分析,构建了几种核机器模型,理论分析和实验结果验证了它们的可行性和有效性。主要研究内容如下: 处理大规模样本时,支持向量机难以满足实时性要求,针对这一问题,提出了一种支持向量预提取方法:先用核感知机模块提取准支持向量,然后将所得结果输入到支持向量机中进行二次处理。核感知机采用的是简单的迭代结构,即使在样本规模较大时,花费的时间也很少;此外,准支持向量的数目可以通过设定阈值进行控制。在一定精度要求下,能从很大程度上提高数据的处理效率。由于核函数和误分界的引入,在综合使用支持向量机的基础上,能处理线性可分、非线性可分、非线性不可分带噪声数据以及回归等问题,理论分析和实验结果较好地验证了这一结论。 对非平稳信号进行处理时,信号细微特征的提取非常关键。论文尝试将小波技术、主分量分析及核方法相结合,用于处理这类信号。对采用小波基构建核函数的可行性进行了探讨,证明了它满足Mercy条件及其在Hilbert空间具有再生性的命题,以此为基础,结合主分量分析,探讨了小波核机器的构建方法,构造出一种核机器模型,并作了实例仿真。实验结果表明,复Gaussian小波核和复Morlet小波核的性能大致相当,它们都优于常规的高斯核和多项式核,初步展示出该方法的可行性和优越性。 对模糊逻辑和小波技术的相关理论进行探讨和分析,构建了一种模糊小波容许核函数,并与支持向量机结合,构造出一种核机器模型,对该模型的一致逼近性作了证明。在此基础上,提出了一种模糊小波支持向量核机器方法FW-SVKM,对参数的选择与预测结果的内在关系作了较为详细的分析,与三层神经网络ANN进行短期峰值负荷预测的对比实验,结果表明FW-SVKM优于ANN,具有较大的实用价值和较好的应用前景。 针对学习机器在参数较多时,优化时间过长、效率过低,不利于工程应用的问题,提出了一种多参数同步优化策略。实验结果表明,该方法在实际应用中是行之有效的,能大幅减少多参数模型的优化时间,增强核机器方法的实用性和有效性。

关键词： 命名实体识别   统计和规则   机器学习   决策树算法  

摘要： 命名实体识别是目前自然语言处理研究的热点问题。MUC(Message Understanding Conferences)对命名实体的定义是:人们感兴趣的专有名词和特定的数量词,它一般可分为:人名、地名、组织机构名、日期等类型。命名实体识别是信息抽取的一个子任务,被广泛地运用到其他计算语言学任务中,比如机器翻译等。 与大多数自然语言处理技术一样,命名实体识别的方法主要分为两大类:基于规则(rule-based)的方法和基于统计(statistic-based)的方法。鉴于单独采用基于统计方法或基于规则方法的缺陷,在这篇论文中,采用了统计与规则相结合的方法来识别命名实体。为了使系统具有学习能力,我们把机器学习方法应用于中文命名实体的识别,这里我们着重研究了机器学习中的决策树方法在中文命名实体识别中的应用;设计了一种基于决策树的识别模式,该模式首先利用概率统计方法,在文本中尽量完备地识别出潜在的命名实体,然后利用潜在命名实体相关的上下文词法、语法和语义特征作为属性构建决策树,否定不正确的实体,进一步提高了命名实体识别的准确率。 应用以上方法,本文主要对中文命名实体中的人名和地名识别进行了较为深入的研究。实验结果表明,与单纯基于统计和单纯基于规则的命名实体识别方法相比,本文所采用的统计和规则相结合的方法具有更加理想的识别精度;在同样的实验条件下,即同样的训练语料和测试语料的条件下,结合机器学习方法的命名实体识别系统构造简单,并且具有良好的适应性和一定的自我学习的能力。 本文具体主要分为以下几个模块:1.文本预处理。2.统计和规则相结合的中文姓名和地名识别。3.结合机器学习中决策树方法的中文姓名和地名识别。4.中文姓名和地名的消歧研究。