增量式学习模型是挖掘大规模文本流数据的一种有效的数据处理技术。无偏协方差无关增量主成分分析(Candid Covariance-free Incremental Principal Component Analysis,CCIPCA)是一种增量主成分分析模型,具有收敛速度快和降维效果好的...增量式学习模型是挖掘大规模文本流数据的一种有效的数据处理技术。无偏协方差无关增量主成分分析(Candid Covariance-free Incremental Principal Component Analysis,CCIPCA)是一种增量主成分分析模型,具有收敛速度快和降维效果好的特点。但是,CCIPCA模型要求训练数据是已经中心化或中心向量固定的。在实际的应用中,CCIPCA往往采用一种近似的中心化算法对新样本进行处理,而不会对历史数据进行中心化修正。针对这一问题,该文提出了一种中心修正增量主成分分析模型(Centred Incremental Principal Component Analysis,CIPCA)。CIPCA算法不仅对新样本进行中心化处理,而且会对历史数据进行准确的中心化修正。在文本流数据上的实验结果表明,CIPCA算法的收敛速度和分类性能明显优于CCIPCA算法,特别是在原始数据的内在模型不稳定的情况下,新算法的优势更为明显。展开更多
通过对JSF(Java Server Faces)和JavaFX的特性研究,讨论二者集成开发RIA(Rich Internet Application)程序的可行性,提出了利用JavaFX为JSF开发新的呈现器的方法开发RIA程序,验证了该方法的正确性并且给出了具体实现步骤,最后分析了集成...通过对JSF(Java Server Faces)和JavaFX的特性研究,讨论二者集成开发RIA(Rich Internet Application)程序的可行性,提出了利用JavaFX为JSF开发新的呈现器的方法开发RIA程序,验证了该方法的正确性并且给出了具体实现步骤,最后分析了集成方案的优缺点。展开更多
文摘增量式学习模型是挖掘大规模文本流数据的一种有效的数据处理技术。无偏协方差无关增量主成分分析(Candid Covariance-free Incremental Principal Component Analysis,CCIPCA)是一种增量主成分分析模型,具有收敛速度快和降维效果好的特点。但是,CCIPCA模型要求训练数据是已经中心化或中心向量固定的。在实际的应用中,CCIPCA往往采用一种近似的中心化算法对新样本进行处理,而不会对历史数据进行中心化修正。针对这一问题,该文提出了一种中心修正增量主成分分析模型(Centred Incremental Principal Component Analysis,CIPCA)。CIPCA算法不仅对新样本进行中心化处理,而且会对历史数据进行准确的中心化修正。在文本流数据上的实验结果表明,CIPCA算法的收敛速度和分类性能明显优于CCIPCA算法,特别是在原始数据的内在模型不稳定的情况下,新算法的优势更为明显。
文摘通过对JSF(Java Server Faces)和JavaFX的特性研究,讨论二者集成开发RIA(Rich Internet Application)程序的可行性,提出了利用JavaFX为JSF开发新的呈现器的方法开发RIA程序,验证了该方法的正确性并且给出了具体实现步骤,最后分析了集成方案的优缺点。
