基于加速梯度求法的置信规则库参数训练方法

置信规则库(belief rule base,BRB)的参数训练问题实质上是一个带有约束条件的非线性优化问题,目前在求解该问题上主要使用FMINCON函数及群智能算法,但在算法的应用中存在移植性差,难实现,计算时间长等局限性。通过对这些问题的研究,结合现有的参数训练方法提出了基于加速梯度求法的置信规则库参数训练方法,并将其应用在多峰函数、输油管道泄漏检测的置信规则库的参数训练上。以收敛误差、收敛时间和皮尔森相关系数作为衡量指标,对新方法与其他传统方法进行了对比,实验结果表明,新算法在收敛精度和收敛速度上具有更理想的综合效益。

基于GDA的置信规则库参数训练的集成学习方法

目前对置信规则库(belief rule base,BRB)的研究主要针对单个BRB系统,然而单个BRB系统的推理性能不仅受参数取值的影响,而且当训练集分布不均衡或数据量较少时,容易导致参数训练不全面,从而使得推理结果所提供的决策信息存在局部性。通过引入Bagging算法和Ada Boost算法,分别与BRB相结合提出了基于梯度下降法(gradient descent algorithm,GDA)的置信规则库系统的集成学习方法,并分别应用于输油管道检漏、多峰函数的置信规则库训练,将多个BRB子系统集成,提高系统的推理性能。在实验中,以收敛精度和曲线拟合效果作为衡量指标来分析集成系统的性能,并将集成系统与其他单个BRB系统进行比较,实验结果表明BRB集成学习方法合理有效。

基于混合PAES的置信规则库推理算法

目前对置信规则库(BRB)的研究主要是关于BRB系统的参数或结构的单目标优化。然而,BRB系统中提高推理准确性和减少系统复杂度往往是两个相互冲突的目标。因此,设计合适算法来寻找到两个目标上的最优解具有重要意义。鉴于此,该文提出基于混合Pareto存档进化策略(M-PAES)的置信规则库推理方法(M-PAES-BRB),通过最小化系统的均方根误差和系统复杂性来寻找到近似的Pareto最优前沿。该算法采用了改进型M-PAES算法来构建多目标优化模型,通过重组和变异操作生成候选解。该文选取两个标准时间序列,Mackey-Glass和Box-Jenkins作为实验数据,对M-PAES-BRB的可行性及有效性进行分析。实验结果表明,相比于模糊规则库的多目标优化方法(FRBSs),该文方法的推理准确性更高,同时系统复杂度更低。

纪录片的平民化创作

随着社会的不断发展和进步,我国纪录片逐渐朝着平民化方向发展,成为现阶段纪录片创作的突出特征。平民化在纪录片创作中主要体现在:纪录片的创作视点主要侧重于群众的日常生活方面,其中包括了反映对象、内容选题、表现形式等层面,使其能够与群众的实际生活更加贴近,能够吸引观众的关注度,并羸得观众的喜爱。采用群众容易理解的方式及内容,对群众日常生活中所蕴含的普遍人性及朴素哲理进行刻画。本文就电视纪录片的平民化创作策略进行分析和探讨。

长镜头在电视新闻中的优势

长镜头是在一个延续时间比较长(一般六、七秒或六、七秒以上)用推、拉、摇、移等手法,多层次,多景别地在一场戏或者一个场景进行拍摄,从而形成的一个比较完整的镜头段落。长镜头的功能是完整、逼真地记录现实。而真实是电视新闻的生命。作为纪实性长镜头,是“一个不经剪辑的画面独立片断。