在介绍SVM和KNN分类算法的基础上,提出了一种新的、较简单的,但更为合理的基于表模型的文档表示方 法,阐述了一种基于表模型的分类算法———TableKNN算法。通过实验比较TableKNN算法与传统KNN算法应用于文 本分类的效果,证实了TableKNN算法在处理文本分类问题上的优越性。

已有的聚类集算法基本上都是非监督聚类集成算法,这样不能利用已知信息,使得聚类集成的准确性、鲁棒性和稳定性降低.把半监督学习和聚类集成结合起来,设计半监督聚类集成模型来克服这些缺点.主要工作包括:第一,设计了基于贝叶斯网络的半监督聚类集成(semi-supervised cluster ensemble,简称SCE)模型,并对模型用变分法进行了推理求解;第二,在此基础上,给出了EM(expectation maximization)框架下的具体算法;第三,从UCI(University of Ca

用SMo求解svm的算法，有最大间隔还有高斯核，多项式核，得到SMO还是比较简单的算法-using SMO to solve SVM

基于K均值的PSO聚类算法,非常适合计算机视觉方面的研究使用,包括最小二乘法、SVM、神经网络、1_k近邻法。- K-means clustering algorithm based on the PSO, Very suitable for the study using computer vision, Including the least squares method, the SVM, neural networks, 1 _k neighbor method.