联合哈希特征和分类器学习的跨模态检索算法

为了解决跨模态检索算法检索准确率较低、训练时间较长等问题,文中提出联合哈希特征和分类器学习的跨模态检索算法(HFCL).采用统一的哈希码描述语义相同的不同模态数据.在训练阶段,利用标签信息学习具有鉴别性的哈希码.第二阶段基于生成的鉴别性哈希码,采用核逻辑回归学习各模态的哈希函数.在测试阶段,给定任意一个模态查询样本,利用学习的哈希函数生成哈希特征,从数据库中检索与之语义相关的另一模态数据.在3个公开数据集上的实验验证HFCL的有效性.

基于判别性解析字典与分类器学习的模式分类

稀疏表示(Sparse Representation,SR)和字典学习(Dictionary Learning,DL)已被广泛用于编码特征数据并有助于模式分类。现有方法通常使用l1/l2范数或每类使用特定字典来强制SR的类判别能力,但由此产生的类判别能力有限。在这项工作中,提出使用训练集作为训练样本的SR的综合字典,因为它为每类数据提供了最自然的特定字典。训练集的类信息可用于增强SR的判别能力:精确块对角线结构,意味着每个数据只能由同类中数据表示。为了使测试阶段容易,在训练集的判别SR的监督下学习解析字典和线性分类器。一旦学习了解析字典和分类器,测试阶段就非常简单并且高效。称之为判别分析字典与分类器学习(Discriminative Analysis Dictionary and Classifier Learning,DADCL)。大量实验表明,该方法具有较好的分类性能。

基于学习分类器的多机器人路径规划收敛性研究

近年来,学习分类器LCS已广泛用于基于归纳学习的强化学习领域,但很少用于多机器人领域.提出了一种基于集成强化学习和遗传算法的学习分类器用于多机器人路径规划领域.由于遗传算法具有早熟收敛、局部最优解和占据较大的存储空间等缺陷,针对静态和动态环境因素对多机器人路径规划的不同影响,设计了在静态和动态环境下不同的适应度函数,在理论上推导并证明了信用分配算法的收敛性,为路径规划算法的收敛提供了理论保证.仿真实验结果也表明遗传算法和学习分类器结合用于多机器人的路径规划是有效的,遗传算法的早熟收敛、局部最优解、占据存储空间较大和收敛速度慢等难题得到很大改善,提高了多机器人发现安全路径的能力.所以LCS在机器人领域的应用前景是非常广阔的,是今后需要努力研究的方向.

基于遗传算法的学习分类器系统研究

分析了基于遗传算法的学习分类器系统的体系结构,并对消息与分类器匹配、桶队列算法信用分配以及基于遗传算法的规则发现等关键技术进行了研究,推导证明了利用桶队列算法更新分类器强度的收敛性理论.通过对六值布尔函数的学习,进一步对学习分类器系统的学习性能、分类器强度更新收敛性进行了仿真验证.

基于学习分类器(LCS)的MP3音乐分类方法

面向MP3音乐的分类方法是利用MP3编解码的特点,将MP3音乐文件表示成特征向量,采用常用机器学习分类方法对音乐文件进行分类。重点对MP3音乐特征片段提取和分类方法进行讨论,提出基于离散余弦变换(MDCT)系数域3种特征参数的特征片段提取方法和基于LCS(学习分类器)的音乐分类方法。实验表明,特征片段提取方法能够在最短时间内找到最具有"特征"的特征片段,从而缩小了匹配时间,因此LCS分类方法提高了分类方法的命中率。

基于支持向量域描述的学习分类器

文章在分析支持向量域描述的基础上发展了一类基于描述的学习分类器。该算法在训练时通过在高维特征空间中求取所描述的训练样本的超球体边界,然后通过该边界对样本数据进行分类。文章所获得的学习算法和支持向量机(SVM)和序列最小优化(SMO)算法相比,不仅降低了样本的采集代价,而且在训练速度上有了很大提高。在CBCL人脸库和USPS手写数字识别的实验中,给出了该算法和SVM、SOM算法的实验对比结果,说明了该学习算法的有效性。

学习分类器在绩效寻优中的应用及其组织决策意义

首先简单介绍了学习分类器算法及其应用情况,其次通过一个博奕问题比较了学习分类器、分类器、反馈系统及随机游走策略这4种比较常见的组织决策模式在绩效寻优方面的效率,指出了学习分类器算法在解决复杂系统的绩效寻优方面具有比较高的效率,对组织的决策模式具有很大的启发意义。

基于改进学习分类器的多机器人混合分层体系结构

本文提出了一种基于改进学习分类器的多机器人混合分层体系结构。体系协作规划层中的人工势场栅格法、协调规划层的学习分类器广播操作及行为控制层的多机器人DSP控制系统,易于实现多机器人间的通信联络及系统的扩充,提高了整个多机器人系统的实用性、实时性和可靠性。

基于学习分类器的自主地面车在狭隘环境中的路径规划

提出了一种基于学习分类器(LCS)的避碰路径规划方法,设计了集成适应度函数,在确保安全避碰的前提下,解决自主地面车(ALV)在狭隘环境下的路径优化问题.不同环境的仿真实验结果表明,遗传算法和学习分类器结合用于自主地面车的路径规划是收敛的,提高了ALV在狭隘环境中快速发现安全路径的能力.

联合特征选择与改进集成学习模型的海底底质分类

针对侧扫声呐获取类型复杂的海底底质数据分类问题,提出联合特征选择与改进Stacking模型的数据自驱动分类方法。该方法首先在海底散射数据多域态特征的基础上采用ReliefF算法提取有效的低维度特征,然后将人工鱼群算法与Stacking模型结合形成改进集成学习分类器,完成海底底质分类。海上数据处理结果表明该方法可对多种海底底质类型进行分类,分类准确率、Kappa系数和F1-score分别达到85.55%,0.857和0.887,证明了该方法的有效性。

基于C-Vine Copula理论的监督学习分类器的优化

由于朴素贝叶斯分类器对特征变量作了独立性假设,忽略了相关性,导致在某些特征相关的情况下分类效果很差。为了提高分类效果,本文对有缺失的数据集利用C-Vine Copula理论进行填补从而得到完整的数据集,并结合Copula函数研究特征变量之间的相关性优化问题,用C-Vine Copula分类器对完整数据集做分类。结果表明,基于C-Vine Copula理论的监督学习分类器具备良好的分类性能。

基于分布式数据的学习分类器的研究

大数据的应用催生出分布式数据,分布式数据中对象或个体表示特征值单位组的K元组,而每个单位组的特征值取样又源于特定特征和特定对象的分布式数据。从分布式数据角度来研究和解决学习分类器的问题,基于分布式数据生成模型的方法和基于分布式数据生成模型的辨别方法进行分析,比较了三种算法对真实及合成分布式数据集的表现。实验结果表明,利用以分布式事例形式表现的信息的分类器明显优于那些未充分利用此类信息的方法。

基于非随机初始种群遗传算法的学习分类器系统

学习分类器系统能够通过简单位串规则的学习有效地引导个体在一个环境中的行为。通过分析基于遗传算法的学习分类器系统的实现原理,提出一种以规则为基础的分类系统,借助训练数据集来实现类别的精确描述,并以数据挖掘中的基准数据鸢尾花卉数据集作为应用对象,实现学习分类器中的消息与分类器系统匹配、桶队列算法信用分配以及基于遗传算法的规则发现。仿真结果表明,通过学习分类器系统优化后,鸢尾花分类的精度好于单个算法的精度。

CT影像组学特征联合机器学习预测AECOPD预后价值分析

目的 分析影像组学特征联合机器学习模型对慢性阻塞性肺疾病急性加重期(AECOPD)患者预后的预测价值。方法 回顾性分析2016年7月-2021年2月于华北理工大学附属医院诊断为AECOPD的121例患者,收集其一般资料,采用Pyradiomics软件包提取胸部CT横断位影像组学特征。根据随访结果将患者分为预后不良组(n=59)和预后良好组(n=62)。采用Lasso回归模型对影像组学特征进行筛选降维,并计算rad_score;按7:3的比例将患者分为训练集(n=85)与测试集(n=36),分别采用LR算法、SVM算法、DT算法构建影像组学预测模型,采用ROC曲线、混淆矩阵及Delong检验,评估三种模型对AECOPD预后的预测效能并比较模型之间的差异。结果 共提取出2 381个影像组学特征。Lasso回归模型结果显示,模型拟合效果最好时共包含11个影像组学特征。将这11个影像组学特征与相应的加权系数乘积的线性组合作为rad_score。分析结果显示,LR算法、SVM算法、DT算法三种模型预测AECOPD预后的效能不同,在训练集中其AUC值分别为0.858、0.774和0.767,测试集中分别为0.848、0.748、0.774;其中LR模型的AUC值均最高,约登指数显示其预测效能最优。Delong检验结果显示在训练集中和测试集中,LR模型的AUC值均高于SVM模型(0.858 vs 0.774,P=0.022;0.848 vs 0.748,P=0.011);训练集与测试集中LR模型与DT模型、SVM模型与DT模型的AUC比较差异均无统计学意义(P>0.05)。综合AUC值、约登指数与Delong检验结果,LR模型在此次研究中表现最优。结论 由LR算法、SVM算法、DT算法三种机器学习算法构建的影像组学预测模型对AECOPD预后有较好的预测价值,其中LR模型最优。

基于边际的组合分类器选择算法

研究表明,具有较大边际分别的组合分类器泛化性能更高.根据该结论,论文构造了一个新的基于边际的度量指标(MM)以充分考虑基分类器和组合分类器的分类能力,进而提出了一种新的组合分类器选择方法.该方法初始化组合分类器为空(或满),迭代的加入(或移除)具有最大(或最小)MM值的分类器,以降低组合分类器规模并提高它的分类准确率.在随机选择的24个UCI数据集上的实验表明,与其他一些高级的贪心组合选择算法相比,该方法具有更好的泛化能力.

遗传算法中基于规则的分类器编码长度研究

遗传学为基础的机器学习使用遗传算法作为学习机制,设计以规则为基础的分类系统,通过训练数据集来实现类别的精确描述。针对遗传算法编码没有统一标准的问题,研究基于规则的分类器个体特征编码长度与分类准确率以及效率之间的关系,通过概率逼近分析个体特征编码长度对分类准确率的影响,利用迭代步骤数的数学期望计算方法,计算遗传算法分类器的分类效率。实验结果证明,遗传算法在密西根编码条件下,个体特征编码长度越长,分类器的分类准确率越高、收敛速度越慢。

英文介词短语归并歧义的RMBL分类器消解

采用"规则+例外"分类器来解决英文介词短语的消歧问题.对于规律性知识,在学习和推理过程中以规则形式处理;对于不是规律性知识的,采用Memory-Based Learning的方式进行学习、分类和推理.在2套标准训练集和测试集环境下,不借助任何其它自然语言知识库,本文所采用"规则+例外"分类器所得到的正确率分别为80.85%和81.2%,取得了很好的效果.

分类器系统的研究与应用

分类器作为一种认知的计算模型和复杂自适应系统的建模工具,已经被广泛地应用到自适应机器人学、有效的分类及数据挖掘中。本文首先介绍了学习分类器的研究历史,同时深入分析近年来分类器系统的四大主要组件的发展、系统结构延伸的方案和关于学习分类器系统工作理论的发展、研究现状,并在此基础上进一步分析了目前学习分类器系统在多个领域的应用情况。

XCSG在多机器人强化学习中的应用

XCS分类器在解决机器人强化学习方面已显示出较强的能力,但在多机器人领域仅局限于MDP环境,只能解决环境空间较小的学习问题。提出了XCSG来解决多机器人的强化学习问题。XCSG建立低维的逼近函数,梯度下降技术利用在线知识建立稳定的逼近函数,使Q-表格一直保持在稳定低维状态。逼近函数Q不仅所需的存储空间更小,而且允许机器人在线对已获得的知识进行归纳一般化。仿真实验表明,XCSG算法很好地解决了多机器人学习空间大、学习速度慢、学习效果不确定等问题。

基于遗传算法的CGF学习行为模型研究

通过自学习使计算机生成兵力(CGF)具有决策能力,是机器学习技术应用于军事仿真的一个重要研究方向。运用基于Agent的建模方法和学习分类器系统技术,构建了基于遗传算法的CGF学习行为模型框架,详细论述了该模型学习过程的运行周期,并将记忆功能引入CGF决策模型来加速学习进程。最后,设计了一个可视化验证系统,实验结果表明该模型的有效性和可行性。