面向语义万维网“大规模分布式不完备推理平台LarKC国际专题会议”综述

LarKC项目是开发面向语义万维网的大规模分布式不完备推理平台，LarKC国际专题会议又是全面掌握与免费应用LarKC推理平台的平台。基于第4届LarKC国际专题会议的第一手信息，文章概要介绍LarKC项目诞生的背景与任务、框架及开发进展、历届LarKC国际专题会议，最后作出总结。

一类带有MaxEMin评判的补偿型随机规划算法

补偿型随机规划一般假定随机变量的概率分布具有完备信息,但实际情况往往只能获得部分信息.针对离散概率具有一类线性部分信息条件而建立了带有MaxEMin评判的两阶段随机规划模型,借助二次规划和对偶分解方法得到了可行性切割和最优切割,给出了基于L-型的求解算法,并证明了算法的收敛性.通过数值实验表明了算法的有效性.

适用于样本分布差异的迁移学习调制识别算法

针对大量有标签样本的数据驱动模型方法存在数据分布不完备问题,结合实际环境中通信信号样本差异大的特点,提出一种对抗域适应迁移算法.通过类判别器和域判别器对抗训练,使特征提取器能够提取到既具有类差异性又具有域不变性的特征.以无监督学习方式对目标域信号进行分类,以提升调制识别算法在实际环境中拟合存在分布差异数据集的自适应能力.对实际信号样本集中调制方式相近的9类调制信号在不同信噪比条件下进行测试,域适应迁移方法通过对抗训练有标签高信噪比的源域样本和无标签低信噪比的目标域样本,结果发现该算法的平均识别准确率较以往直接训练的平均识别准确率大幅提升.