基于LCS的水库供水规则分类系统

建立了基于遗传学习分类器系统(LCS)的水库供水规则分类系统,通过信任分配(桶链算法,BBA)与规则发现(遗传算法,GA)机制进行学习,提取水库供水调度规则.实例研究得到学习样本识别率接近95%,检验样本识别率为85%.进一步从调度规则的合理性、学习样本对规则集的影响以及该分类系统与人工神经网络对规则提取结果的比较这3个方面分析了系统提取规则的性能与行为.研究表明,利用该分类系统提取水库供水调度规则是可行且有效的.

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.

将学习机制引入分类器系统

讨论了分类器系统在解决反转学习问题（ｒｅｖｅｒｓａｌｌｅａｒｎｉｎｇｔａｓｋ）时出现的问题。然后分析指出其原因是由于缺乏学习功能，并引入类比学习机制使之具有类似于人类直觉、联想的功能，实验结果表明改进后的系统对反转学习问题及其相似问题的求解效率大大优于现有系统。

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。

基于平均奖赏强化学习算法的零阶分类元系统

零阶学习分类元系统ZCS(Zeroth-level Classifier System)作为一种基于遗传的机器学习技术(GeneticsBased Machine Learning),在解决多步学习问题上,已展现出应用价值。然而标准的ZCS系统采用折扣奖赏强化学习技术,难于适应更为广泛的应用领域。基于ZCS的现有框架,提出了一种采用平均奖赏强化学习技术(R-学习算法)的分类元系统,将ZCS中的折扣奖赏强化学习方法替换为R-学习算法,从而使ZCS一方面可应用于需要优化平均奖赏的问题领域,另一方面则可求解规模较大、需要动作长链支持的多步学习问题。实验显示,在多步学习问题中,该系统可给出满意解,且在维持动作长链,以及克服过泛化问题方面,具有更优的特性。

一种基于改进LCS的多移动机器人学习算法

移动机器人采用学习分类器系统进行学习的主要问题在于学习过程较长。为了解决该问题 ,本文提出一种改进的学习分类器系统。该系统引入了一个规则构造器和合并、广播两个操作。规则构造器在学习分类器系统进行新的尝试时产生新的规则 ,合并操作对已有规则进行归纳 ,广播操作则使所有的机器人可以共享各自当前的最优规则。仿真结果表明这些措施有效地提高了学习分类器系统的收敛速度。

基于优化度量学习算法的电子元件智能分栋系统的实现

当今社会电子产品的更新迭代速度加快,造成大量电子废弃物,为避免资源浪费,回收可重复利用的电子元件的分栋工作变得日益重要。传统的分栋方法效率低并易受人为因素的影响。现开发一种基于优化度量学习算法的电子元件智能分栋系统。该系统引用核分类器改进优化度量学习模型,可提高电子元件识别效率和精度,能充分挖掘电子废弃物中可回收利用价值,并带来巨大的循环经济效益。

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。

智能文本分类系统的研究与设计

本文介绍了基于实例学习建立自动文本分类器的方法．通过对文本自动分类的原理的剖析。介绍了文本自动分类系统建立的基本过程，同时详细地说明和比较了文档表示、功能选择以及机器学习方法以及相关算法。

基于自组织RBFN神经网络的预想事故分类器的设计

提出了自组织径向基函数网络（ＲＢＦＮ） 神经网络的结构和学习算法，从而提高了ＲＢＦＮ 神经网络的学习精度和效率。在此基础上，设计出了基于自组织ＲＢＦＮ 神经网络的电网预想事故分类器。用此预想事故分类器对ＩＥＥＥＲＴＳ６系统的一阶、二阶和三阶预想事故进行安全与不安全的分类。

基于多标记学习改进算法的入侵检测系统研究

针对企业信息化系统存在的问题,分析了当前网络安全存在的误报和漏报现象,对海量信息分析代价大、无法预知安全策略内容、系统自身安全等方面问题作了探讨,设计并建立了基于多标记学习改进算法的入侵检测系统模型。该模型主要包括数据采集、数据预处理、算法检测及响应处理等模块。在设计好基于多标记学习改进算法的入侵检测系统后,将该系统部署到原有系统中,并检测入侵数据,数据检测监控界面显示入侵检测系统的检测结果。针对未处理的网络连接记录,系统管理员可通过手动方式判断其是否为攻击行为;而对于异常的数据,系统会将此类型的攻击行为添加到样本库中。算法在适当的时间通过新的样本库来完善分类器。该模型在不改变原有信息化系统工作的基础上,实现了入侵检测系统的应用。

基于确定性退火技术的分类器设计

针对传统分类器的缺陷,文章提出将分类问题看作一物理系统,把求解分类问题的最优解转化为模拟温度变化的物理系统的平衡态,通过求解一系列温度变化的物理系统自由能函数的极小来模拟物理系统的平衡态,最终达到物理系统的基态,即分类问题的最优解。由确定性退火技术构造学习规则用于优化分类器参数,目的是减少分类误差以及待识别空间的系统熵。试验表明,将确定性退火技术用于分类器设计中,降低了分类误差,取得了良好的分类性能。

面向信息内容安全的文本过滤和分类系统研究与实现

本文设计并实现了一个面向信息内容安全应用的文本过滤与自动分类系统。系统采取探测器和分类器两个步骤实现高速网络环境下数据截取、还原、分类的功能。探测器采取简单规则匹配和高速字符串匹配算法来提高数据截取和自身的过滤性能,分类器采取基于简单向量空间模型设计,采取自动学习和人工干预相结合的方法来提高系统的查准率和查全率。本文给出了探测器和分类器在实际应用时的技术性能。

基于集成学习的高压直流输电系统故障诊断

以某西南电网变电站出现的4种故障的实测数据作为数据集,针对高压直流输电(high voltage direct-current,HVDC)系统的故障诊断设计出一种基于集成学习(ensemble learning, EM)的故障诊断方法,显著提升了故障诊断的速度、精度和鲁棒性。首先,对4类故障数据进行数据预处理,同时对故障数据的特征进行提取并完成训练,使用故障数据标签对故障数据集进行均分权重。然后,计算当前弱分类器对带权重数据集的分类误差,并计算当前分类器在强分类器中的权重。最后,更新训练样本权值的分布得到强分类器,根据训练好的模型对不同数据集下的故障类型进行辨识实验。通过与BP神经网络故障诊断模型对比,所提出的方法在多组测试中可以达到89%以上的诊断准确率,错误率较低并且鲁棒性强,有利于HVDC系统的故障识别和快速诊断。

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。

基于深度学习的微观芯片字符识别系统

针对传统的形态分割和模板匹配文字识别方法存在着识别精度低和不稳定的问题,为工业检测领域的芯片字符识别设计了一套基于深度学习的智能光学字符识别系统。该系统基于可微分二值化网络(detection with differentiable binarization network,DBNet)、方向分类器和卷积网络,3个阶段分别训练深度模型实现文本区域的检测、文本方向分类和字符识别,最后进行串联推理完成微观芯片字符的自动化识别。同时针对显微场景下芯片字符图像易受光照干扰,采用数据增强与扩充、更换网络骨架、更改网络卷积步长,解决了复杂背景下微观芯片字符识别易误检的问题。工业生产线上的实际测试结果表明,该系统的识别准确率达到99.9%,误检率3.4?,速度0.56 s/张,极大地提升了字符识别正确率和效率,降低了误检率。最终的识别结果可以直接在云端远程实时查看,简化了传统工业字符识别流程,有助于工业智能化检测进一步发展和提高。

神经网络分类器检测异常数据的方法

神经网络默认所有输入数据均属于正常数据,当输入异常的数据,网络会在已知的标签中找到高度自信的错误结果,这种无法检测异常数据的现象出现在所有学习模型中。使网络具备检测异常数据的能力,对于系统安全、算法可靠性和算法的实际应用具有重要的意义。实验提出一种区分异常数据和正常数据的方法,该方法首先训练一个名为Wildnet的分类网络。

多智能体强化学习及其在足球机器人角色分配中的应用

足球机器人系统是一个典型的多智能体系统,每个机器人球员选择动作不仅与自身的状态有关,还要受到其他球员的影响,因此通过强化学习来实现足球机器人决策策略需要采用组合状态和组合动作.本文研究了基于智能体动作预测的多智能体强化学习算法,使用朴素贝叶斯分类器来预测其他智能体的动作.并引入策略共享机制来交换多智能体所学习的策略,以提高多智能体强化学习的速度.最后,研究了所提出的方法在足球机器人动态角色分配中的应用,实现了多机器人的分工和协作。

基于两类学习模型的多主体人工股票市场研究

构造了一个由采取基于惯例的学习模型(Roth-Erev模型)和信念学习模型(分类器系统)的两类主体种群组成的人工股票市场模型,该模型的模拟运行结果表明,学习过程是影响资产市场的价格特征的重要因素,当采取不同学习机制的主体数量比例变化时,价格时间序列会表现出不同的统计特征:随机游走过程或异方差性等"格式化的事实".具有创新性的理性更高的主体比例增加未必导致类似理性预期均衡的出现.

视频异常行为识别与分级预警系统

参考格灵深瞳分级评价体系并引入迟滞比较器相关思想,结合最近邻与SVM双层分类器学习,建立了针对目标入侵、目标高速运动、目标遗留物与人群聚集逃离、人群打架斗殴、人群骚乱六种常见目标异常行为的自动分类与分级预警系统。1提出并实现了一套较完备的异常行为分级预警系统;2在行为分析之前以人群密度与能量为特征引入最近邻分类器实现个体行为与群体行为的预分类;3通过引入迟滞比较器实现高速运动行为的稳定预警;且该方法具有一定普及意义。分别在标准库和自行拍摄的视频上进行实验验证。实验证明,该系统能够稳定实现对上述六种普遍异常行为的分类分级预警,实现了群体分析与个体分析、检测与识别、分类与预警的一体化。