目前的多类学习方法大多将多类问题转化为二类问题,这样处理除了时间开销大,还存在识别盲区。提出了一种直接进行多类学习的算法multi-SVDD。该算法在考虑大样本和多类样本数据中的类内不平衡现象基础上,首先为每类训练样本进行聚类,根据聚类结果由支持向量数据描述(SVDD,Support Vector Date Description)建立多个最小包围球。根据测试样本到SVDD所建立的最小包围球的距离来确定测试样本属于哪个聚类,最终可判断测试样本属于哪个类。multi-SVDD算法在时空开销上相比最小包围球方法没有明显增长,而实验效果则好于最小包围球方法。
为了提高卫星通信网评估系统的适应能力和可扩展性,以满足因卫星通信网快速建设而产生的评估需求,利用本体知识表示的共享和重用特性,在卫星通信网评估本体(satellite communication network evaluation ontology,SCNEO)的基础上,提出了一种卫星通信网评估自适应技术,实现了任意对象定义和指标体系平面化。采用该技术,在应用和具体数据之间建立了清晰的功能界面,大大提高了卫星通信网评估系统的自适应能力,可有效提高系统开发效率。
卫星通信网评估本体(SCNEO,Satellite Communication Network Evaluation Ontology)具有知识适度复杂、构建目的简单明确、对本体扩展能力要求高的特点,因此难以套用典型的本体构建方法论进行构建。在已有本体构建方法论的基础上,结合SCNEO特点,提出了基于角色、活动、生命期的本体构建方法(RABOLC,Rule and ActivityBased Ontology Life Cycle);按照RABOLC对SCNEO本体进行了构建;基于RABOLC,可以在保证本体构建质量的前提下实现SCNEO的高效构建。
