公共文化服务平台

冯爱民: 作品数：20 被引量：89H指数：6; 供职机构：南京航空航天大学计算机科学与技术学院更多>>; 发文基金：国家自然科学基金江苏省自然科学基金江苏省高校自然科学研究项目更多>>; 相关领域：自动化与计算机技术文化科学医药卫生矿业工程更多>>

合作作者

LM3S9B96处理器的地音监测变送器设计: 2013年; 冲击地压对矿井安全生产危害十分大,而地音监测系统能够对冲击地压进行较为准确的预测。针对目前地音监测系统组网方式和实时性的不足,设计了基于LM3S9B96处理器的地音变送器。地音变送器的工作过程如下:首先将地震检波器采集到的地音信号放大和A/D转换,再采用lwIP协议把采样数据上传到上位机。地音变送器的这种数据传输方式不受距离的限制,从而解决了传输问题,同时该地音变送器具有较高的采样精度和良好的实时性。; 张正林潘红兵冯爱民; 关键词：冲击地压地震检波器 LWIP协议

计算机软硬件协同贯穿式人才培养的创新与实践被引量：6: 2018年; 针对社会和技术发展对专业人才培养的新需求,阐述如何在计算机类专业系统能力培养的试点工作中,构建层次化、软硬协同的课程体系,建设软硬贯穿、虚实结合的实验实践体系,探索科教融合、产教结合的多维度协同育人方法,提出计算机软硬件协同贯穿式人才培养的新模式。; 孙涵陈兵冯爱民陈丹马维华朱小军; 关键词：软硬件协同课程体系科教融合

支持向量回归增量学习被引量：4: 2014年; 针对支持向量回归因时空复杂度较高而无法处理大规模数据的问题,提出了一个新颖的增量学习模型——L增量υ支持向量回归(L IncrementalυSupport Vector Regression,LISVR)。该模型针对支持向量丢失所产生的不利影响,通过不断对支持向量样本加权并及时淘汰非支持向量,降低了时空复杂度。从理论上证明了算法可收敛到全局最优解。结合人工数据集、UCI数据集和机场噪声的实际问题对该算法做了相应测试,结果验证了算法的有效性。; 张一凡冯爱民张正林; 关键词：支持向量回归支持向量机场噪声

嵌入数据结构信息的单类支持向量机及其线性规划算法被引量：4: 2009年; 针对现有基于超平面的单类分类器未同时考虑目标数据全局与局部信息的不足,通过在单类支持向量机One-C lass SVM(OCSVM)算法中加入类内散度以反应目标数据的全局信息,提出了结构化单类支持向量机Structured OCSVM(SOCSVM),不仅使之具有全局与局部化学习的特点,同时也为诸多的SVM算法嵌入数据内在结构这类先验信息提供了统一框架。为进一步提高运算效率,在SOCSVM二次规划求解基础上,通过最小化目标数据均值到超平面的函数距离,提出了线性规划算法,同时也避免了SOCSVM必须以原点作为负类代表的不足。人工和真实数据集上的实验结果验证了嵌入目标数据结构信息的SOCSVM及其线性规划算法的有效性。; 冯爱民刘学军孙廷凯; 关键词：单类分类器支持向量机结构信息线性规划

基于核的单类分类器研究: 以统计学习理论为背景,以核方法为基础的两类典型单类分类算法:单类支持向量机(OCSVM)和支持向量数据域描述(SVDD),均以降低VC维为目标,其中前者通过寻找一个远离原点的超平面,使目标数据所在的正半空间尽量最小;而后...; 冯爱民陈松灿; 关键词：核方法单类分类器单类支持向量机统计学习数据预处理; 文献传递

代价敏感相关向量机: 2015年; 相关向量机(RVM)是在稀疏贝叶斯框架下提出的稀疏模型,由于其强大的稀疏性和泛化能力,近年来在机器学习领域得到了广泛研究和应用,但和传统的决策树、神经网络算法及支持向量机一样,RVM不具有代价敏感性,不能直接用于代价敏感学习。针对监督学习中错误分类带来的代价问题,提出代价敏感相关向量分类(CS-RVC)算法,在相关向量机的基础上,通过赋予每类样本不同的误分代价,使其更加注重误分类代价较高的样本分类准确率,使得整体误分类代价降低以实现代价敏感挖掘。实验结果表明,该算法具有良好的稀疏性并能够有效地解决代价敏感分类问题。; 苏乐群冯爱民

增强型单类支持向量机被引量：11: 2008年; 现有基于超平面的单类分类器,包括one-class SVM(OCSVM)和马氏one-class SVM(MOCSVM),由于未考虑数据的结构信息或粒度较粗,寻找的超平面很可能是次优解.为此,增强型单类支持向量机(enhanced OCSVM,EnOCSVM)通过在现有SVM算法中加入数据先验信息以克服其不足.首先,EnOCSVM通过聚类得到数据的内在分布簇,而后将各簇结构信息嵌入到OCSVM框架中,最大化间隔的同时,优化输出空间中各簇数据的紧性.由于保留了SVM框架不变,EnOCSVM仍具备原算法的全部优点,并因结合了数据的簇结构信息而具有更好的推广性.标准数据集上的实验表明,EnOCSVM的推广性能较OCSVM和MOCSVM均有显著提高.; 冯爱民薛晖刘学军陈松灿杨明; 关键词：单类分类器超平面结构信息支持向量机

基于核的单类分类器研究被引量：9: 2008年; 以统计学习理论为背景,以核方法为基础的两类典型单类分类算法:单类支持向量机(OCSVM)和支持向量数据域描述(SVDD),均以降低VC维为目标,其中前者通过寻找一个远离原点的超平面,使目标数据所在的正半空间尽量最小;而后者通过寻找一个包含大部分目标数据的最小超球,实现体积最小化.围绕上述两算法,已有大量改进形式出现.本文以此为主线,分别从模型构建、模型改进和数据预处理的角度,进行了回顾和阐述,并对各算法的特点给出了相应的总结.; 冯爱民陈松灿; 关键词：核方法单类分类器单类支持向量机

基于单簇聚类的数据描述被引量：22: 2007年; 文中提出了一种基于单簇可能性C-均值聚类(Possibilistic C-Means,PCM)的数据描述方法并用于单分类.训练时,其首先进行P1M(PCM,C值取1)聚类,得到所有训练样本对目标类的隶属度;然后设置隶属度阈值,形成相应的数据描述进行单分类.分类时,计算新样本对目标类的隶属度,若其隶属度小于该阈值则判为异常,否则为正常.该方法和当前流行的支持向量域数据描述方法以及Parzen方法窗具有类似的参数配置和相当的分类性能,由此提供了另一种单分类学习算法.值得指出的是,尽管是PCM的一个特例,但P1M拥有PCM一般不具备的全局最优特性,而该特性对解决实际问题十分重要.; 陈斌冯爱民陈松灿李斌; 关键词：数据描述聚类

最大化约束密度单类分类器被引量：1: 2014年; 针对单类分类器设计中的密度方法,采用以任务为导向的设计思想,通过人为指定核密度估计的密度函数上界,增强了边界低密度区域数据敏感性,同时也有效降低了密度估计的计算复杂度。进一步最大化全体样本的核密度估计函数并采用线性规划,可快速得到相应的稀疏解,因而称之为最大化约束密度单类分类器(Maximum constrained density based one-class classifier,MCDOCC)。为充分利用单类数据中可能出现的极少量异常数据,进一步提出了带负类的最大化约束密度分类器(MCDOCC with negative data,NMCDOCC),通过挖掘异常数据的先验信息来修正仅有正常类的数据描述边界,可提高分类器泛化能力。UCI数据集上的实验结果表明,MCDOCC的泛化能力与单类支持向量机相当,NMCDOCC较之则有所提高,从而能够更高效地估计目标类数据概率密度。; 赵加敏冯爱民陈松灿潘志松; 关键词：单类分类器概率密度估计先验信息

冯爱民

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

冯爱民

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈