基于动态步长交替方向乘子法正则化极限学习机

为解决交替方向乘子法(alternating direction method of multipliers,ADMM)正则化极限学习机(regularized extreme learning machine,RELM)迭代收敛速度慢和迭代后期误差衰减停滞的问题,提出一种基于动态步长ADMM的正则化极限学习机,记为VAR-ADMM-RELM.该算法在ADMM算法的基础上采用动态衰减步长进行迭代,并同时使用L1和L2正则化对模型复杂度进行约束,解得具有稀疏性和鲁棒性的极限学习机输出权重.在UCI和MedMNIST数据集中对VAR-ADMM-RELM、极限学习机(extreme learning machine,ELM)、正则化极限学习机(regularized ELM,RELM)和基于ADMM的L1正则化ELM(ADMMRELM)进行拟合、分类和回归对比实验.结果表明,VAR-ADMM-RELM算法的平均分类准确率和平均回归预测精度分别比ELM算法提升了1.94%和2.49%,较标准ADMM算法可以取得3~5倍的速度提升,且对异常值干扰具有更好的鲁棒性和泛化能力,在高维度多样本的场景下建模效率逼近标准极限学习机.该方法有效提升了ADMM算法的收敛速度,取得了比主流ELM算法更加优秀的性能表现.

基于状态转移算法的极限学习机

目前极限学习机在训练模型时存在占用计算资源多和模型精度低等问题.为了解决上述问题,提出了一种基于状态转移算法的极限学习机,可提升算法计算效率和模型精度.利用状态转移算法的全局搜索特性求解线性方程组,得到极限学习机的输出权重矩阵,进而完成建模.在分类和回归数据集上与极限学习机和其他主流算法进行对比,所提方法可以利用较少的隐藏层节点得到高精度的模型,同时具有更好的学习准确率.这种高性能的建模方式弥补了极限学习机的不足.

智能科学与技术专业实验平台的建设

本文针对智能制造智能科学与技术专业的实验平台建设进行讨论,明确该平台的建设思路,并对相关建设内容加以探讨和描述,希望能够对相关实验平台的有效建设提供一定的帮助。

干扰素治疗肿瘤相关的信号通路及临床应用

Ⅰ、Ⅱ、Ⅲ型干扰素虽都具有抗肿瘤潜能,但作用机制和临床疗效有所不同。与干扰素治疗肿瘤相关的信号通路主要包括JAK-STAT、PI3K/AKT/mTOR、MAPK、NF-κB、c-Abl等。目前Ⅰ型干扰素临床应用最广,疗效最明确;Ⅱ型干扰素因存在严重的不良反应且可能在诱导癌变过程中发挥作用,对其是否可以用于抗肿瘤治疗存在较大争议;Ⅲ型干扰素虽在生物学功能上兼备了Ⅰ、Ⅱ型干扰素的优良特点,但其对抗肿瘤的药用价值还有待进一步评估。

向他人借手机

外出采访匆忙，我上了地铁一摸口袋，才发觉手机没带，心里顿时袅绕起紧张来。