多维属性离散化能提升机器学习算法训练的速度与精度,目前的离散化算法性能较低且多是单属性离散,忽略了属性之间的潜在关联。基于此,提出了一种基于森林优化的粗糙集离散化算法(a discretization algorithm based on forest optimizati...多维属性离散化能提升机器学习算法训练的速度与精度,目前的离散化算法性能较低且多是单属性离散,忽略了属性之间的潜在关联。基于此,提出了一种基于森林优化的粗糙集离散化算法(a discretization algorithm based on forest optimization and rough set,FORDA)。该算法针对多维连续属性的离散化,依据变精度粗糙集理论,设计适宜值函数,进而构建森林寻优网络,迭代搜索最优断点子集。在UCI数据集上的实验结果表明,与当前主流的离散化算法相比,所提算法能避免局部最优,显著提升了SVM分类器的分类精度,其离散化性能更为优良,且具有一定的通用性,验证了算法的有效性。展开更多
文摘传递矩阵法(transfer matrix method,TMM)是研究结构振动时常用的计算方法,但在计算大跨度输流管路高频横向振动时,TMM存在数值不稳定的现象,制约了其进一步应用。基于无量纲化计算结果得到的子单元划分准则的全局传递矩阵法(global transfer matrix method,GTMM)、混合能传递矩阵法(hybrid energy transfer matrix method,HETMM)和结合变精度算法的传递矩阵法(variable precision algorithm-transfer matrix method,VPA-TMM)等三种方法解决了这一问题。GTMM是最常用的TMM计算稳定性改进方法;HETMM系首次从层状介质中的波传播计算扩展到管路系统的振动分析领域,计算矩阵的维度和形式不随子单元数的变化而变化,计算时间最短;VPA-TMM无需进行子单元划分,可以看作是从根源上解决了TMM的长跨度高频计算失稳问题,但计算时间会大幅度增加。
文摘多维属性离散化能提升机器学习算法训练的速度与精度,目前的离散化算法性能较低且多是单属性离散,忽略了属性之间的潜在关联。基于此,提出了一种基于森林优化的粗糙集离散化算法(a discretization algorithm based on forest optimization and rough set,FORDA)。该算法针对多维连续属性的离散化,依据变精度粗糙集理论,设计适宜值函数,进而构建森林寻优网络,迭代搜索最优断点子集。在UCI数据集上的实验结果表明,与当前主流的离散化算法相比,所提算法能避免局部最优,显著提升了SVM分类器的分类精度,其离散化性能更为优良,且具有一定的通用性,验证了算法的有效性。
