基于卷积与稀疏编码的半监督学习方法

卷积神经网络(CNN)在半监督学习中取得了良好的成绩,其在训练阶段既利用有标记样本,也利用无标记样本帮助规范化学习模型。为进一步加强半监督模型的特征学习能力,提高其在图像分类时的性能表现,本文提出一种联合深度半监督卷积神经网络和字典学习的端到端半监督学习方法,称为Semi-supervised Learning based on Sparse Coding and Convolution(SSSConv);该算法框架旨在学习到鉴别性更强的图像特征表示。SSSConv首先利用CNN提取特征,并对所提取特征进行正交投影变换,下一步通过学习其稀疏编码的低维嵌入以得到图像的特征表示,最后据此进行分类。整个模型框架可进行端到端的半监督学习训练,CNN提取特征部分和稀疏编码字典学习部分具有统一的损失函数,目标一致。本文利用共轭梯度下降算法、链式法则和反向传播等算法对目标函数的参数进行优化,将稀疏编码的相关参数约束于流形上,CNN参数既可定义在欧氏空间,也可以进一步定义在正交空间中。基于半监督分类任务的实验结果验证了所提出SSSConv框架的有效性,与现有方法相比具有较强的竞争力。

用膳时间的博弈应用

博弈的思想由来已久,在经济、社会各领域广泛应用。博弈论可以解释日常生活中的一切,为人们的日常生活和工作提供了一种崭新的思考问题方式。随着生活节奏的加快,当代大学生对时间管理的需求越来越强烈。通过对大学生食堂用膳时间的博弈分析,来影响大学生食堂用膳时间最佳选择,为大学生食堂用膳时间提供相关参考。

食堂用膳时间的博弈趣论

博弈的思想由来已久,在经济、社会各领域广泛应用。博弈论它可以解释日常生活中的一切,为人们日常生活和工作提供了一种崭新的思考问题的方式。随着生活节奏的加快,当代大学生对时间管理的需求越来越强烈,文章拟通过对大学生食堂用膳时间的博弈分析,来影响大学生食堂用膳时间最佳选择,为大学生食堂用膳时间提供相关参考,让枯燥的象牙塔校园生活增添点乐趣。