分类数据

摘要： 本文以Bayes分类为基础理论,结合杨梅图像自身的特点和它所服从的统计学特性,得到一种基于最小错误概率Bayes决策的分类方法在杨梅图像数据分类中的运用。文章首先介绍基于最小错误概率Bayes决策理论,然后从理论上推导其在杨梅图像数据中分类数据的运用,最后通过实验分析其运用的实际效果和各种不同参数对分类效果的影响并得出结论。模式识别与信号处理、概率统计、数字图像处理等学科有着密切的联系,其中很多分类方法较为成熟且广泛的运用于数据分类中,并在许多实际问题和多种不同分布数据分类中取得了良好的效果。

摘要： 层次聚类分析在数据挖掘与机器学习等领域是一种广泛使用的无监督学习技术,但是,由于层次聚类分析算法主要是依赖于人为设定的相似度阈值来实现聚类簇的合并或分裂,因此在没有任何先验知识时,难以设定相似度阈值。采用相似度均值以及边界数据对象分配策略,提出了一种基于相似度均值的分类数据层次聚类分析算法。该算法利用相似度均值刻画数据集中数据对象分布的集中趋势以及平稳相似性度量,作为层次聚类簇合并或分裂的重要依据,给出了一种相似度均值的计算公式,从而可以自动确定相似度阈值,解决了层次聚类分析中相似度阈值参数的人为设定问题;利用相似度均值,给出了一种边界数据对象的分配策略,有效提高了边界数据对象分配的准确性及聚类质量。在UCI与人工合成数据集上的实验验证了该算法具有良好的聚类性能和抗噪性,以及相似度均值的稳定性和有效性。

摘要： 针对大规模类别数据的互信息计算量非常大的问题,利用Spark内存计算平台,提出了类别数据的并行互信息计算方法,该算法首先采用列变换将数据集转换成多个数据子集;然后采用两个变长数组缓存中间结果,解决了类别数据特征对间互信息计算量大、重复性强的问题;最后在配备了24个计算节点的Spark集群中,使用人工合成和真实数据集验证了算法.实验结果表明,该算法在效率、可伸缩性和可扩展性等方面都达到了较高的性能.

摘要： 针对肿瘤基因数据的样本小、维度高特点,为解决小样本对分类准确率的影响,提出对样本进行扩充的方法;结合特征获取的方式不同,将主成分分析(PCA)、核主成分分析(KPCA)和非负矩阵(NMF)特征进行组合,再通过鲁棒性更强的堆栈自动编码器(SDAE)和Softmax进行分类.实验表明,经过合理的样本特征组合及小样本扩充能够有效提升分类效果.

摘要： 本文主要通过R软件对不带参数的分类数据及带参数的分类数据进行检验.

摘要： 一、共存度及其现实意义具体而言,共存度是指高等教育机构在与本科专业相对应的专业领域中授予研究生学位的覆盖率,即高等院校授予研究生学位资格的专业同时授予学士学位的专业数量占总学士学位授予专业数量的比例。二、美国一流高校共存度分布特征41所大学的共存度均值为0.76。

摘要： 本研究试图从探索“本科教育与研究生教育的共存度”(以下简称“共存度”)人手,基于2018年卡内基高校分类数据,考察美国的世界--流大学的本科教育与研究生教育的共存特征,探析共存度与一流本科专业建设之间的联结,统筹协调本科教育与研究生教育的关系,以推进一流本科专业建设。一、共存度及其现实意义共存度概念源自卡内基高等教育机构分类(以下简称“卡内基分类”)体系。卡内基分类是目前美国高等教育领域采用最为广泛的高校分类体系,由卡内基教学促进基金会开发研制,于1973年正式对外公布。

摘要： 针对分类数据,通过数据对象在属性值上的集中程度定义了新的基于属性值集中度的类内相似度(similarity based on concentration of attribute values,CONC),用于衡量聚类结果中类内各数据对象之间的相似度;通过不同类的特征属性值的差异程度定义了基于强度向量差异的类间差异度(dissimilarity based on discrepancy of SVs,DCRP),用于衡量两个类之间的差异度.基于CONC和DCRP提出了新的分类数据聚类有效性内部评价指标(clustering validation based on concentration of attribute values,CVC),它具有以下3个特点:(1)在评价每个类内相似度时,不仅依靠类内各数据对象的特征,还考虑了整个数据集的信息;(2)采用几个特征属性值的差异评价两个类的差异度,确保评价过程不丢失有效的聚类信息,同时可以消除噪音的影响;(3)在评价类内相似度及类间差异度时,消除了数据对象个数对评价过程的影响.采用加州大学欧文分校提出的用于机器学习的数据库(UCI)进行实验,将CVC与类别效用(category utility,CU)指标、基于主观因素的分类数据指标(categorical data clustering with subjective factors,CDCS)指标和基于信息熵的内部评价指标(information entropy,IE)等内部评价指标进行对比,通过外部评价指标标准交互信息(normalized mutual information,NMI)验证内部评价效果.实验表明相对其他内部评价指标,CVC指标可以更有效地评价聚类结果.此外,CVC指标相对于NMI指标,不需要数据集以外的信息,更具实用性.

摘要： 针对大规模、高维、稀疏的分类数据聚类,CLOPE算法相比于传统的聚类算法在聚类质量及运行速度都有很大的提升,然而CLOPE算法存在聚类的质量不稳定、没有区分每维属性对聚类的贡献度、需要预先指定排斥因子r等问题.为此,本文提出了基于随机顺序迭代和属性加权的分类数据聚类算法(RW-CLOPE).该算法在每轮迭代时,首先利用“洗牌”模型对原始数据进行随机排序,然后对随机排序的数据按加权CLOPE算法进行聚类.在每轮迭代中,无论是首轮还是后续各轮,都是取多组随机顺序数据进行聚类,并选取最优聚类作为下一轮的输入,这样几乎完全排除了输入顺序对聚类质量的影响.当聚类收益值几乎不再提升时,即收敛于一个稳定值时迭代终止,因此该算法能得到全局最优聚类.同时,根据属性维的信息熵计算各个属性的权重,以区别每维属性对聚类的贡献度,极大地提升了数据聚类的质量.最后,在高效的集群平台Spark上,实现了RW-CLOPE算法.在三个真实数据集上的实验结果表明:在不同顺序的数据集份数相同时,RW-CLOPE算法能比p-CLOPE算法取得更好的聚类质量.对蘑菇数据集,当CLOPE算法取得最优聚类结果时,RW-CLOPE比CLOPE取得高68％的收益值,比p-CLOPE取得高25％的收益值.在处理大量数据时,基于Spark的RW-CLOPE算法比基于Hadoop的p-CLOPE算法执行时间更短.计算资源充足时,随机顺序的数据份数越多,执行时间的提升越明显.

摘要： 本研究关注因变量为分类数据的情境下,中介效应模型的使用以及不同分析方法的比较.通过在单一水平中介效应模型下,分类因变量分析方法与违背变量类型要求的连续型因变量分析方法的比较,说明了当因变量为分类数据时,采用正确的处理分类数据分析方法的必要性.同时,本研究考察了样本量、中介效应大小以及分类变量所含类别数等因素对中介效应估计的影响.

摘要： 现有的针对分类数据的算法需要多次扫描数据库,对于数据开采经常处理的大容量数据,多遍I/O操作是一项沉重的系统开销.CACD(clustering algorithm for categorical data)是针对分类属性数据的聚类算法,该算法采用压缩技术缩小需要处理的数据量以提高效率,同时算法提出了一种新的基于压缩数据结构的标准用于衡量分类数据的相似度.CACD只需扫描数据库一遍,算法理论分析和实验分析都表明该算法比同类针对分类数据的聚类算法效率要高,并且压缩技术对聚类结果的质量影响不大.

摘要： 本文介绍一种处理分类数据的多元统计方法——对偶刻度法,结合它在群体研讨中的具体应用,描述其对专家发言(分类数据)的实时处理,聚类分析和可视化显示.

摘要： k-means算法在聚簇大的数据集时是公认比较有效的算法之一,然而它只能应用在具有数值属性描述的数据对象集合上,这种数据对象叫做数值数据;却无法应用于真实世界中具有其他形形色色属性的数据对象集合上,比如颜色、纹理、形状等特征描述的数据对象集合,这种数据叫做分类数据.为了能对分类数据进行聚簇,对k-means算法进行了扩展,出现两种新的算法:一种是k-modes算法,另一种是k-protoypes算法.但这两种算法都需要用户事先确定聚簇数k阈值t和聚簇中心Q,在不明白数据分布状况的情况下能较准确地确定这3个参数值是很不容易的,改进的k-modes算法有效解决了这一问题.

摘要： k-modes算法作为k-means算法的一种改进版本,可以处理分类型数据.然而,由于源自k-means算法,k-modes算法存在容易陷入局部最优解的先天缺陷;另外,该算法还存在类内数据相似度低的问题.本文采用一种全局搜索策略—免疫算法来优化代价函数,获得全局有效的聚类结果;并且对k-modes算法提出的分类型数据的距离定义进行改进,以提高类内数据的相似度.最后通过实验证明,本文提出的算法IECCD在准确性方面较k-modes有了显著的提高.

摘要： k-modes算法作为k-means算法的一种改进版本,可以处理分类型数据.然而,由于源自k-means算法,k-modes算法存在容易陷入局部最优解的先天缺陷;另外,该算法还存在类内数据相似度低的问题.本文采用一种全局搜索策略—免疫算法来优化代价函数,获得全局有效的聚类结果;并且对k-modes算法提出的分类型数据的距离定义进行改进,以提高类内数据的相似度.最后通过实验证明,本文提出的算法IECCD在准确性方面较k-modes有了显著的提高.

摘要： k-modes算法作为k-means算法的一种改进版本,可以处理分类型数据.然而,由于源自k-means算法,k-modes算法存在容易陷入局部最优解的先天缺陷;另外,该算法还存在类内数据相似度低的问题.本文采用一种全局搜索策略—免疫算法来优化代价函数,获得全局有效的聚类结果;并且对k-modes算法提出的分类型数据的距离定义进行改进,以提高类内数据的相似度.最后通过实验证明,本文提出的算法IECCD在准确性方面较k-modes有了显著的提高.

摘要： k-modes算法作为k-means算法的一种改进版本,可以处理分类型数据.然而,由于源自k-means算法,k-modes算法存在容易陷入局部最优解的先天缺陷;另外,该算法还存在类内数据相似度低的问题.本文采用一种全局搜索策略—免疫算法来优化代价函数,获得全局有效的聚类结果;并且对k-modes算法提出的分类型数据的距离定义进行改进,以提高类内数据的相似度.最后通过实验证明,本文提出的算法IECCD在准确性方面较k-modes有了显著的提高.

摘要： 本发明提供一种车辆数据分类方法和车辆数据分类装置。一边使从时序数据中选择第二时间(t2)量的车辆数据的处理时移第三时间(t3)量，并且一边将上次的选择范围(Am‑1)的一部分与本次的选择范围(Am)的一部分重叠一边重复进行上述处理，从而判定各选择范围(Am)内包含的车辆数据所表示的车辆状态，选择应分类的车辆数据的检测时期(Tn)，并选择所有的包含所选择的检测时期的车辆数据的选择范围(Am)，从所选择的选择范围内包含的车辆数据表示的一个以上的车辆状态中确定包含最多的车辆状态，并将在所选择的检测时期内检测出的所有种类的车辆数据分类为所确定的车辆状态的数据。据此，能够根据车辆状态准确地对各检测时期的车辆数据进行分类。

摘要： 本公开提供了用于量子数据分类的模型训练方法以及量子数据分类方法，涉及人工智能技术领域，尤其涉及量子计算、深度学习技术领域。具体实现方案为：获取量子数据训练集中每个样本量子数据点所属的第一类别信息；通过预训练的方式确定多个局域量子电路以及分别所作用的样本量子数据点的部分量子比特；针对每个样本量子数据点，将多个局域量子电路分别作用到样本量子数据点的部分量子比特上，不同局域量子电路作用的量子比特存在差异；并将测量得到的作用后的部分量子比特的第一状态信息以及第一类别信息作为对经典神经网络进行训练的训练数据。节省了量子数据分类时使用的量子资源，且为提升量子数据分类的精度奠定了基础。

摘要： 本发明的数据分类装置具备：数据取得部，其取得分类对象的数据；分类部，其用使用神经网络进行学习而得的学得模型将所述数据分类成多个类别中的某一类；相似度算出部，其算出所述数据与生成所述学得模型时所用的已学习数据的相似度；以及判定部，其基于所述相似度对所述数据是否属于所述多个类别进行判定，在所述数据不属于所述多个类别中的任一类的情况下，判定为所述数据属于未知类别。

摘要： 本发明公开了一种生理数据特征值获取方法、分类器建立方法、分类方法、分类器及分类系统。分类器建立方法包括：获取多个生理数据样本，为每个参考生理数据样本分配分类标签并提取特征值；对分类标签和特征值进行归一化处理并转化为统一格式，获得训练数据；配置分类器训练参数；利用训练数据对分类器进行训练，训练中不断优化训练参数，直到分类器输出精度达到预设精度后，输出模型文件，完成分类器建立。生理数据分类器建立快速、运算量少，训练数据中对分类标签和特征值进行归一化处理并转化为统一格式，有利于提高分类器的训练速度。快速对生理数据进行分类并输出分类标签，便于处理人员选择生理数据做进一步分析，减少了工作量。

摘要： 本发明公开一种数据分类模型训练方法、数据分类方法及装置，数据分类模型训练方法包括：获取训练数据集；对训练数据集进行数据处理，确定目标数据集；构造数据分类模型，利用目标数据集对数据分类模型进行训练，生成目标数据分类模型。本发明基于特征融合和领域负样本消除的慢性胃炎诊断算法，可以让慢性胃炎的诊断更加客观化，可重复性更强；采用特征融合和领域负样本消除算法可以解决特殊数据可用特征少、类不平衡和数据重叠问题，比传统的机器学习方法更加精准。

摘要： 本申请涉及一种数据分类模型训练方法、数据分类方法、装置、计算机设备和存储介质。所述方法包括：基于当前数据分类任务对应的当前训练样本对初始数据分类模型的编码层进行训练，得到中间数据分类模型；基于下一个数据分类任务对应的更新训练样本对中间数据分类模型的编码层进行训练，得到更新数据分类模型；将更新训练样本的前向已训练样本分别输入中间数据分类模型和更新数据分类模型的编码层，得到对应的第一特征和第二特征；基于同一训练样本对应的第一特征和第二特征对更新数据分类模型的映射层进行训练，得到更新的中间数据分类模型；通过编码层和映射层的交替训练最终训练得到目标数据分类模型。采用本方法能够提高数据分类的准确性。

摘要： 本说明书实施例描述了数据分类模型的训练方法、数据分类方法和装置。根据实施例的方法，首先获取标签已知的正数据样本和标签未知的灰度数据样本，然后分别确定基于该正数据样本的标准正数据概率分布和基于该灰度数据样本的拟合正数据概率分布。进一步即可根据该标准正数据概率分布和拟合正数据概率分布实现对数据分类模型的训练。如此基于灰度数据中的正数据也应服从标准正数据概率分布的原则，构建适用于对所有数据进行标签分类的数据分类模型，从而能够提高利用该数据分类模型对数据进行分类的准确性。

摘要： 本发明提供的一种工地环境监控数据的数据分类方法及其分类系统，涉及工地环境监控技术领域。在本发明中，在多个工地环境监控终端设备中确定出至少一个工地环境监控终端设备，作为目标工地环境监控终端设备；针对每一个目标工地环境监控终端设备，获取该目标工地环境监控终端设备发送的目标工地环境监控视频，并对该目标工地环境监控视频进行特征识别处理，得到该目标工地环境监控视频对应的视频特征信息；基于每一个目标工地环境监控视频对应的视频特征信息,确定每一个目标工地环境监控视频对应的数据分类标签信息。基于上述方法，可以改善现有技术中对于工地环境监控数据的数据分类效果不佳的问题。

摘要： 本发明属于区块链技术领域，尤其为一种数据采集分类分级成熟度指标记账方法、区块链系统及数据采集分类分级成熟度评估方法，首先获取数据采集分类分级的成熟度指标中的标识能力指标和管理指标，然后基于区块链网络，对获取的标识能力指标和管理指标发起共识请求，共识完成后进行签名，对完成共识后的标识能力指标和管理指标进行上链存储，由于获取的标识能力指标和管理指标经过了区块链进行共识，使得提取的成熟度指标可信度更高，有利于保证评估结果的公正性，并且由于经过共识的标识能力指标和管理指标存储在区块链上，具有不可串改性，在每一次的评估均可调取使用，无需另外建立标识能力指标和管理指标，大大降低了评估工作量。

摘要： 本发明属于的城镇管理技术领域；公开了一种自动识别城市信息模型平台基础数据元素的数据集成分类系统及其分类方法。采集终端Ⅰ、采集终端Ⅱ和采集终端Ⅲ采集的数据均通过互联网、防火墙进入政务网，政务网的上传数据录入到服务器组；数据库服务器，用于存储和维护自动分类后的结构化数据、分类数据版本变化信息、元数据以及元数据属性实例信息；应用服务器，通过政务网将业务逻辑暴露给展示终端；文件服务器，用于存储和维护与结构化分类数据相关联的非结构化数据。本发明能够解决传统人力进行数据分类的局限性，降低人力成本，并且通过人工智能机器学习，将已经分类的数据进一步提纯融合，缩减分类级别，从而加快数据分类处理速度。