尊敬的各位读者:
根据当前疫情防控要求,我馆部分原文传递服务可能会有延期,无法在24小时内提供,给您带来的不便敬请谅解!
国家工程技术图书馆
2022年11月29日
摘要: 我们已经进入了大数据时代,它是一个可用信息大爆炸的时期,为现代社会发展提供了极好的机遇,未来各行业的核心竞争力在很大程度上依赖于将大数据转化为信息和知识的速度和能力,这取决于数据分析和应用水平,任何国家或地区要想获得竞争优势,大数... 展开 我们已经进入了大数据时代,它是一个可用信息大爆炸的时期,为现代社会发展提供了极好的机遇,未来各行业的核心竞争力在很大程度上依赖于将大数据转化为信息和知识的速度和能力,这取决于数据分析和应用水平,任何国家或地区要想获得竞争优势,大数据分析与挖掘是一个极具战略价值的领域。但由于大数据的高维特性和海量样本给数据分析带来了极大的挑战,表现在三个方面:第一、高维特征带来噪声污染,伪相关,非齐性;第二、高维度和海量样本引起算法不稳定和巨大的计算花费;第三、不同的时间点上用不同的处理方法处理多源聚合的海量样本,带来了非齐性、实验变异和统计偏差等热点问题。为处理大数据的挑战,现有的统计方法和计算方法已经不再适用,急需新的统计方法和稳定的快速算法。 很多的机器学习算法用于大数据的分析与处理,如支持向量机用于银行、电信、企业的顾客分类,避免了数据的高维特征带来的困难。支持向量机的思想来源于感知机,感知机是从训练数据集学习分离超平面,把训练数据集分为正类和负类。但学习的分离超平不唯一,原因是由于感知机迭代算法与初始迭代点的选取和迭代终止条件有关,使得感知机的泛化能力不是太好。论文把蜂群智能算法引入感知机的学习算法中,构建了感知机的迭代损失函数。该损失函数反映的是误分类点的个数。为与蜂群算法吻合,将迭代损失函数反号作为蜂群算法的适应度函数,蜂群算法优化感知机分离超平面的过程就是最大化适应度函数。 实验结果表明:蜂群优化算法得到的分离超平面的分类效果优于传统的感知机。 收起
系统维护,暂停服务。
根据《著作权法》“合理使用”原则,您当前的文献传递请求已超限。
如您有科学或教学任务亟需,需我馆提供文献传递服务,可由单位单位签署《图书馆馆际互借协议》说明情况,我馆将根据馆际互借的原则,为您提供更优质的服务。
《图书馆馆际互借协议》扫描件请发送至service@istic.ac.cn邮箱,《图书馆馆际互借协议》模板详见附件。
根据《著作权法》规定, NETL仅提供少量文献资源原文复制件,用户在使用过程中须遵循“合理使用”原则。
您当日的文献传递请求已超限。