检索结果

Select

1. 基于Hubness的类别均衡的时间序列实例选择算法

翟婷婷何振峰

计算机应用 2012, 32 (11): 3034-3037. DOI: 10.3724/SP.J.1087.2012.03034

摘要（977）

PDF （653KB）（400）

针对实例选择算法INSIGHT存在选出的实例类别分布不均衡和得分相等的实例的重要性无法区分两个问题，分别提出了改进算法。改进算法BINSIGHT1基于分治思想，通过筛选出训练集各类中最具有代表性的实例，来确保选出的实例类别分布尽可能均衡。改进算法BINSIGHT2将改进算法BINSIGHT1的单重排序改进成了双重排序，以便更有效地衡量实例的重要性。实验结果表明，在时间复杂度基本不变的前提下，所提算法在分类准确率上均优于INSIGHT算法。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于全局性分裂算子的进化K-means算法

王留正何振峰

计算机应用 2012, 32 (11): 3005-3008. DOI: 10.3724/SP.J.1087.2012.03005

摘要（1006）

PDF （699KB）（435）

进化算法可以有效地克服Kmeans对初始聚类中心敏感的缺陷，提高了聚类性能。在进化Kmeans聚类算法 (F-EAC)的基础上，针对其变异操作——簇分裂算子的随机性与局部性，提出了两个全局性分裂算子。结合最大最小距离的思想，利用待分裂簇的周边簇信息来指导簇分裂初始点的选择，使簇的分裂更有利于全局划分，以进一步提高进化聚类的有效性。实验结果表明，基于全局性分裂算子的算法在类数发现及聚类精度方面均优于FEAC。

相关文章 | 多维度评价

Select

3. 窗口式蚁群序列分割算法

刘会彬何振峰

计算机应用 2011, 31 (11): 3104-3107. DOI: 10.3724/SP.J.1087.2011.03104

摘要（1336）

PDF （619KB）（419）

应用蚁群优化算法(ACO)对时间序列进行分割，为提高算法寻优效率，依据时间序列内在的连续性，采用信息素窗口式更新策略。依据序列连续性指导信息素进行窗口式的加强，从而使蚂蚁的正反馈机制得到增强，更利于蚂蚁的路径选择。实验结果表明，基于信息素窗口式更新策略的蚁群序列分割方法一定程度上可以加快算法收敛，同时可以有效地降低序列分割代价。