领域自适应大数据集浓缩方法

传统机器学习均假定测试域和训练域处于同一概率分布,但现实中往往因各种原因引起所采集到的样本数据可能存在扰动或噪音情况,导致概率密度估计不一定准确。为有效解决这一问题,提出一种新的领域自适应数据集概率密度估计(A-RSDE)算法。该算法可充分学习源域(训练域)概率密度分布知识,使目标域(测试域)概率密度估计更接近真实概率密度分布。实验证明,该算法具有有效性,且实现了数据浓缩的目的。

ML型迁移学习模糊系统

经典模糊系统构建方法训练时通常仅考虑单一的场景,其伴随的一个重要缺陷是:如当前场景重要信息缺失,则受训所得系统泛化能力较差.针对此问题,以Mamdani-Larsen(ML)型模糊系统为对象,探讨了具有迁移学习能力的模糊系统,即ML型迁移学习模糊系统.ML型迁移学习模糊系统不仅能充分利用当前场景的数据信息,而且能有效地利用历史知识来进行学习,具有通过迁移历史场景知识来弥补当前场景信息缺失的能力.具体地,基于经典的压缩集密度估计(Reduced setdensity estimator,RSDE)ML型模糊系统构建方法,通过引入迁移学习机制提出了一种基于密度估计的ML型迁移模糊系统构建方法.在模拟数据和真实数据上的实验研究亦验证了该迁移模糊系统在信息缺失场景下较之于传统模糊系统建模方法的更好适应性.

一种简易的手持式信号发生器制作

信号发生器能够发出使用者所需现场模拟的信号,受到了广大电子、电气等技术人员的欢迎.介绍一种结构简单、携带和使用方便的手持式信号发生器,它不仅能够向用户提供所需的方波信号,且频率调节精度高,还可以检测外部信号的频率及柴油机的转速,着重讨论了该信号发生器的结构原理、硬件电路设计,并给出了程序设计流程.