基于生成模型的Q-learning二分类算法

对于二分类问题,基于判别模型的分类器一般都是寻找一条最优判决边界,容易受到数据波动的影响。针对该问题提出一种基于生成模型的Q-learning二分类算法(BGQ-learning),将状态和动作分开编码,得到对应各类的判决函数,增加了决策空间的灵活性,同时在求解参数时,采用最小二乘时序差分(TD)算法和半梯度下降法的组合优化方法,加速了参数的收敛速度。设计实验对比了BGQ-learning算法与三种经典分类器以及一种新颖的分类器的分类性能,在UCI数据库七个数据集上的测试结果表明,该算法有着优良的稳定性以及良好的分类精确度。

ATV模型的非线性多重网格法

自适应全变分(adaptive total variation,ATV)模型可以利用差分曲率自适应地选择基于Lp范数的正则项,并且能自适应调节正则项与保真项的权重,能够有效地去除噪声和保持图像边缘.使用半隐式梯度下降法求解ATV模型时,误差的高频分量会快速衰减而低频分量却衰减缓慢,从而导致收敛速度缓慢.为了加快低频误差衰减的速度,利用半隐式梯度下降法设计了光滑化方法,构造了求解ATV模型的非线性多重网格法,并通过与不动点迭代法、半隐式梯度下降法的对比实验,验证了新方法的去噪效果更好且计算速度更快.