您的位置： 专家智库 > >

万家强

作品数：7 被引量：22H指数：3
供职机构：重庆理工大学更多>>
发文基金：国家自然科学基金重庆市科技攻关计划重庆市自然科学基金更多>>
相关领域：自动化与计算机技术理学一般工业技术更多>>

合作作者

文献类型

  • 4篇期刊文章
  • 2篇学位论文
  • 1篇专利

领域

  • 6篇自动化与计算...
  • 1篇一般工业技术
  • 1篇理学

主题

  • 2篇支持向量
  • 2篇支持向量机
  • 2篇向量
  • 2篇向量机
  • 2篇离群检测
  • 1篇多核
  • 1篇摘机
  • 1篇支持向量机建...
  • 1篇质量管理
  • 1篇三角网
  • 1篇生成树
  • 1篇数据挖掘
  • 1篇特征提取
  • 1篇群簇
  • 1篇最小生成树
  • 1篇离群
  • 1篇离群点
  • 1篇连通性
  • 1篇聚类
  • 1篇聚类分析

机构

  • 4篇重庆理工大学
  • 3篇重庆大学

作者

  • 7篇万家强
  • 2篇朱庆生
  • 2篇王越
  • 2篇刘羽
  • 1篇刘智
  • 1篇陈涛
  • 1篇范小刚

传媒

  • 2篇计算机应用研...
  • 1篇计算机工程与...
  • 1篇计算机工程与...

年份

  • 1篇2023
  • 1篇2015
  • 1篇2014
  • 1篇2013
  • 1篇2011
  • 2篇2010
共 7 条 记 录，以下是 1-7
全选 清除 导出
排序方式：
基于裁边策略的空间离群区域检测算法被引量：1
2013年
为了检测空间数据集中存在的离群区域,提出一种基于裁边策略的空间离群区域检测算法。首先利用Delaunay三角网格确定空间邻接关系,根据非空间属性描述邻接节点间的差异性;然后反复裁去最大权边,且并发地检测离群区域,直到发现足够多离群点。实验结果表明,该算法能有效检测离群区域,并且准确给出局部离群性,克服了普通算法中易受坏邻居干扰和区域缺乏原子性的局限。
陈涛万家强朱庆生
关键词：空间离群点DELAUNAY三角网
一种组合核支持向量机建模的方案被引量：4
2011年
针对组合核支持向量机建模中存在的耗时和性能的矛盾问题,提出新的方案,用于在时间和性能上寻找理想折衷。研究了兼顾学习和推广能力的核组合,以及优化核参数方法。提出了一种主从核逐步优化的方案,即每次只优化一个核的核参数,逐步加入其他子核求解参数,时间上大致是求解单核参数耗时的简单叠加,相对于进化算法求解模型耗时更少,相对于分治算法求解模型性能更优。提出的方案在时间和性能上取得了较好的效果。
万家强王越刘羽
关键词：FISHER准则多核核参数支持向量机
一种便于更换存储框的采摘机器人
本发明公开了一种便于更换存储框的采摘机器人，涉及采摘机器人技术领域。本发明包括机器人车板、采摘机械爪、放置传送带、多功能称重台结构、更换存储框结构、存储框主体和搬运槽。本发明通过更换存储框结构的设计，使得装置便于在机器人...
鲁云花刘智张庆伟万家强
改进KPCA对分类数据的特征提取被引量：12
2010年
提出了对核主成分分析(KPCA)在模式分类中的特征提取的改进方法。KPCA对于模式分类数据,并不是投影后的主成分就是最利于分类的成分,因此把数据降维到一个利于分类的空间,同时剔除不利于分类的成分,尽可能保留类别信息,对于各个成分贡献率以及映射空间进行度量,依据各成分对于模式分类的贡献选择最优成分,且根据Fisher准则选择利于分类的空间,即确定类别信息量较大的成分以及KPCA的核参数。
万家强王越刘羽
关键词：核主成分分析特征提取FISHER
基于K-近邻树的离群检测算法被引量：4
2015年
为适应数据集分布形状多样性以及克服数据集密度问题,针对已有算法对离群簇检测效果欠佳的现状,提出了一种基于K-近邻树的离群检测算法KNMOD(outlier detection based on K-nearest neighborhood MST)。算法结合密度与方向因素,提出一种基于K-近邻的不相似性度量,然后带约束切割基于此度量构建的最小生成树从而获得离群点。算法可以有效地检测出局部离群点以及局部离群簇,与LOF、COF、KNN及INFLO算法的对比结果也证实了算法的优越性能。
范小刚朱庆生万家强
关键词：离群检测最小生成树K-近邻
基于连通性的离群检测与聚类研究
离群检测和聚类是数据挖掘的两个重要研究领域。虽然其相关技术已经非常成熟,但仍然有许多难题未能较好解决。本课题希望通过基础理论的研究继续推进离群检测和聚类的发展,并解决当前研究和应用中的部分难题。具体的工作为:从数据关系描...
万家强
关键词：数据挖掘离群检测聚类分析程序语言
支持向量机在质量管理中的应用研究
支持向量机(Support Vector Machines,简称SVM)是一种新的数据挖掘方法。它具有严密的统计学习理论基础,并且引入了核技术,被认为是目前性能最为优越的机器学习方法。传统的机器学习大多采用最小化经验风险...
万家强
关键词：支持向量机核函数
文献传递
全选 清除 导出
共1页<1>
聚类工具0