摘要:模型选择是支持向量学习的关键问题.已有模型选择方法采用嵌套的双层优化框架,内层执行支持向量学习,外层通过最小化泛化误差的估计进行模型选择.该框架过程复杂,计算效率低.简化传统的双层优化框架,提出一个支持向量学习的多参数同时调节方法,在同一优化过程中实现模型选择和学习器训练.首先,将支持向量学习中的参数和超参数合并为一个参数向量,利用序贯无约束极小化技术(sequential unconstrained minimization technique,简称SUMT)分别改写支持向量分类和回归的有约束优化问题,得到多参数同时调节模型的多元无约束形式定义;然后,证明多参数同时调节模型目标函数的局部Lipschitz连续性及水平集有界性.在此基础上,应用变尺度方法(variable metric method,简称VMM)设计并实现了多参数同时调节算法.进一步地,基于多参数同时调节模型的性质,证明了算法收敛性,对比分析了算法复杂性.最后,实验验证同时调节算法的收敛性,并实验对比同时调节算法的有效性.理论证明和实验分析表明,同时调节方法是一种坚实、高效的支持向量模型选择方法.

摘要:CP-nets 是一种简单而又直观的图形化偏好表示工具,成为近几年人工智能的一个研究热点.然而,任意二值CP-nets 上的强占优算法还没有给出,CP-nets 可表示的偏好的完备性还无人研究,CP-nets 所能表示的偏好是否一致也还未彻底解决.基于CP-nets 上的强占优运算研究CP-nets 的完备性和一致性.首先,通过构造CP-nets 导出图及其性质的研究,得出强占优的本质是求取翻转关系的传递闭包,从而利用Warshall 算法求出可判断任意CP-nets 的强占优;其次,通过求取3 种不同结构(可分离的、链表结构和树形结构)的CP-nets 的偏好个数,给出了CP-nets 可表达的偏好的不完备性定理,并给出了可分离的CP-nets 中偏好的计数公式;最后,研究CP-nets 的一致性,给出了CP-nets 的一致性判定定理及其算法.所做工作不仅解决了Boutilier 和Goldsmith 提出的一些难题,还深化了CP-nets 的基础理论研究.

摘要:文章针对现有的定性表示方法和拓扑推理算法存在的问题,提出了一种新的方法.首先,提出了基于概念邻域结构的定性表示方法.然后,给出了不同粒度层次上拓扑关系复合表的计算方法.最后,设计得出分层递阶的拓扑推理算法.文章给出的方法具有较高的认知合理性,所提出的推理算法可根据问题来选择合适的表示和推理层次,在已有推理算法给不出解的情况下,可以给出问题的合理解,对一般定性推理研究有参考价值.

摘要:Egenhofer和Franzosa提出的拓扑关系的4-交集模型是定性空间推理中常用的模型，但基于4-交集模型难以推导出拓扑关系的完备集、概念邻域和复合表．本文以拓扑学为基础，提出了（n，n）完备集的概念，建立了拓扑关系的闭球模型．基于闭球模型可以直接推导出拓扑关系的（n，n）完备集和概念邻域以及复合表．结果表明，对定性空间推理来说，闭球模型比4-交集模型更简单有效．