在太阳能应急灯在线评论信息下依据图卷积网络模型深入探索稳健型多粒度群决策。首先,对太阳能应急灯的在线评论进行情感分析获得用户对产品的情感倾向,并将其转化成梯形模糊数;其次,使用图卷积网络计算决策者和属性权重;再次,依据多粒...在太阳能应急灯在线评论信息下依据图卷积网络模型深入探索稳健型多粒度群决策。首先,对太阳能应急灯的在线评论进行情感分析获得用户对产品的情感倾向,并将其转化成梯形模糊数;其次,使用图卷积网络计算决策者和属性权重;再次,依据多粒度概率粗糙集和MULTIMOORA(multi-objective optimization by ratio analysis plus the full multi-plicative form)建立梯形模糊多粒度群决策模型,采用后悔理论进行多源信息融合;最后,通过太阳能应急灯购买决策的实例,验证提出方法的可行性与有效性。展开更多
数据流分类方法研究在开放环境下的模型动态更新,以期从实时到达且不断变化的数据流中检测并适应概念演化,目前多数数据流分类方法通常假设数据流中样本的类别数是固定的,并且样本的标签可以不受限制地获取,这在真实场景下是不现实的。...数据流分类方法研究在开放环境下的模型动态更新,以期从实时到达且不断变化的数据流中检测并适应概念演化,目前多数数据流分类方法通常假设数据流中样本的类别数是固定的,并且样本的标签可以不受限制地获取,这在真实场景下是不现实的。为此,该文提出了一种概念演化数据流主动学习方法(Active Learning Method for Concept Evolution Data Stream,ALM-CEDS)。定义基于样本标准差的基分类器重要性度量,提出基于加权预测概率的样本预测方法,提升分类器的分类性能;提出基于混合标签查询策略的分类器更新方法,使用难区分和代表当前数据分布的样本更新分类器;提出基于微簇q-近邻轮廓系数的新类检测方法,在数据流中快速识别新类。在4个真实数据流与5个合成数据流上的对比实验表明,该概念演化数据流主动学习方法在分类性能上优于已有的6种数据流学习方法。展开更多
文摘在太阳能应急灯在线评论信息下依据图卷积网络模型深入探索稳健型多粒度群决策。首先,对太阳能应急灯的在线评论进行情感分析获得用户对产品的情感倾向,并将其转化成梯形模糊数;其次,使用图卷积网络计算决策者和属性权重;再次,依据多粒度概率粗糙集和MULTIMOORA(multi-objective optimization by ratio analysis plus the full multi-plicative form)建立梯形模糊多粒度群决策模型,采用后悔理论进行多源信息融合;最后,通过太阳能应急灯购买决策的实例,验证提出方法的可行性与有效性。
文摘数据流分类方法研究在开放环境下的模型动态更新,以期从实时到达且不断变化的数据流中检测并适应概念演化,目前多数数据流分类方法通常假设数据流中样本的类别数是固定的,并且样本的标签可以不受限制地获取,这在真实场景下是不现实的。为此,该文提出了一种概念演化数据流主动学习方法(Active Learning Method for Concept Evolution Data Stream,ALM-CEDS)。定义基于样本标准差的基分类器重要性度量,提出基于加权预测概率的样本预测方法,提升分类器的分类性能;提出基于混合标签查询策略的分类器更新方法,使用难区分和代表当前数据分布的样本更新分类器;提出基于微簇q-近邻轮廓系数的新类检测方法,在数据流中快速识别新类。在4个真实数据流与5个合成数据流上的对比实验表明,该概念演化数据流主动学习方法在分类性能上优于已有的6种数据流学习方法。
