基于K-means聚类和特征空间增强的噪声标签深度学习算法

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样本集赋予伪标签。然而,错误的伪标签以及训练样本数量不足的问题仍然限制着噪声标签学习算法性能的提升。为解决上述问题,提出基于K-means聚类和特征空间增强的噪声标签深度学习算法。首先,该算法利用K-means聚类算法对干净样本集进行标签聚类,并根据噪声样本集与聚类中心的距离大小筛选出难以分类的噪声样本,以提高训练样本的质量;其次,使用mixup算法扩充干净样本集和噪声样本集,以增加训练样本的数量;最后,采用特征空间增强算法抑制mixup算法新生成的噪声样本,从而提高网络的分类准确率。并在CIFAR10、CIFAR100、MNIST和ANIMAL-10共4个数据集上试验验证了该算法的有效性。

基于改进的K-means聚类和深度神经网络的轴承故障诊断算法研究

提出了一种改进K-means聚类算法,使用该方法对轴承振动数据进行聚类和基于深度神经网络的半监督学习的故障诊断研究。对轴承振动数据进行时域和频域处理,得到28维的时域和频域特征数据;利用提出的算法对高维特征数据进行聚类处理,得到伪标签,建立特征数据和伪标签对应的数据集;利用神经网络对具有伪标签的特征数据进行半监督学习,实现对不同轴承振动状态的高精度识别。通过对比聚类指标,提出的算法较好地改善了聚类效果;用伪标签数据训练神经网络,将预测的结果与真实数据比较,精度可达96.2%,可100%区分正常状态和故障状态。

协同神经网络聚类型学习算法

协同神经网络是一类全新的神经网络 ,它可以根据竞争神经网络的一般原则划分为匹配子网和竞争子网。其中 ,匹配子网的学习是协同神经网络的一个中心问题。改善匹配子网的学习效率有 2种途径 :对伴随向量求解算法的改进和原型向量选取方法的改进。文章浅析了这 2种类型的学习算法 ,着重研究了聚类算法在原型向量选取中的应用 ,并以一组交通标志图像作为识别样本 ,验证了选取原型向量 2种思路的有效性。

基于聚类法的协同神经网络学习算法

根据协同学理论的基本观点（模式识别的过程即为模式形成的过程），对构造出的协同神经网络在模式识别中的应用进行了研究．发现伴随向量的性能直接影响到模式识别的成功率，而伴随向量是由原型向量计算得到．所以原型向量的选择对识别结果有着十分重要的作用．提出了一种基于聚类算法的选择原型向量的方法．通过对近千个样本进行的模拟实验，结果证明这种基于聚类算法的原型向量选择方法很有效，使识别率有了较大的提高．

模糊聚类神经网络的非对称学习算法

通过仿真和分析表明模糊聚类神经网络原有学习算法 FCNN的局限性 :如初值敏感性、吸引域不灵活和稳定点不合理等 ;指出造成上述局限的原因主要在于算法的对称性和权值向量的修正缺乏协同 .为此 ,通过在网络模型中引入层内反馈、在算法中引入加速项 ,消除了算法的对称性并使权值向量的修正具有一定的协同性 ;通过改进算法结构 ,消除了小尺度振荡现象并使算法的稳定点趋于合理 .

高属性维稀疏数据聚类回归逻辑神经网络模型及学习算法

针对高属性维稀疏数据聚类问题 ,定义了模糊取大逻辑神经元 ,给出一种新的单层离散型回归逻辑神经网络模型 ,由稀疏特征差异度组成的相似阵作为该网络的初始权矩阵 ,通过单层离散型回归逻辑神经网络学习算法 ,可求出相似矩阵的等价阵 ,根据等价阵 ,给定不同的阈值 ,可动态地、有效地实现对高属性维稀疏数据的归并 ,使得聚类结果更符合实际情况 ,聚类质量较高 .相比同类聚类算法 ,它具有学习、修正和应变功能 ,适用于大规模稀疏数据库和稀疏数据仓库的聚类分析 .

基于Memetic算法和关联学习的社会网络聚类分析

针对社会网络系统中的社会属性知识没有被充分挖掘,网络结构优化算法学习能力弱的问题,提出了一种Memetic关联学习算法(MRLA)。研究了新算法的基本原理和各个算子,实现了社会属性信息的有效利用。新算法充分结合基于Memetic计算的准确性和基于社会关联学习的快速性,以3个真实社会网络数据集作为测试集,实验结果表明MRLA算法能够有效实现社会网络的聚类分析。

基于竞争学习的无线传感器网络聚类算法

在复杂的煤矿作业环境下,无线传感器网络面临着从节点组织、灾害发生后网络重组、救援人员所携带的传感器节点加入网络等问题。该文提出一种基于竞争学习的无线传感器网络聚类算法,归一化处理传感器节点的剩余能量和邻居节点个数,通过相似性比较实现节点间竞争。仿真表明,该算法通信能耗低,网络能耗均衡,扩展性好,抗毁能力较强。

基于改进图神经网络和用户偏好聚类的个性化学习资源推荐算法

由于学习资源中知识点构成的复杂性以及用户需求的差异性,导致最终的推荐结果存在较大差异,为此,提出基于改进图神经网络和用户偏好聚类的个性化学习资源推荐算法。从交流互动、自主学习意识以及学习能力3个方面分析用户的偏好,在图神经网络中引入元数据概念,建立以知识点为基础的学习资源本体,实现资源之间的关联关系,对用户偏好和资源本体双重聚类后,匹配类之间的拟合关系,确定推荐内容。通过实验测试验证该设计方法推荐内容的精确率为60.96%,召回率为65.42%,F综合评价指标为62.57%,说明该方法具有良好的性能。

基于聚类算法和决策树算法的网络学习行为研究

为深入了解高校学生网络学习行为特征,以四川省某高校网络学习平台的数据为研究对象,对学生学习行为进行了深入分析和研究,利用多维度的网络测评数据对学生的学习状况进行了聚类分析,利用任务点完成情况的数据学生测验分数的影响进行了聚类挖掘,并对不同学习状况下学生作业成绩是否及格进行了决策树挖掘。通过以上分析来判定各类学生的在线学习特征和学习效果,从而为学生分类培养及个性化教育提供信息支撑,也为高校在线教育质量的改进提供借鉴。

带优选聚类算法的RBF网络辨识器及应用

以 RBF神经网络为模型框架 ,解决非线性系统的辨识问题。针对 RBF网络的结构辨识问题 ,提出一种优选聚类算法 ,并用该算法 ,依据输入样本优选确定 RBF神经网络的隐含层节点个数 ,采用新型二阶递推学习算法估计 RBF网络中的参数和权值。上述混合算法 ,同时解决了 RBF网络结构和参数辨识问题 ,大大提高了 RBF网络的建模和预测精度。应用实例表明了所提出方案的有效性。

一种新聚类算法在模糊神经网络中的应用

本文介绍一种新的聚类方法 ,不需预先知道聚类数目 ,通过迭代运算使训练样本收敛到聚类中心 ,进而实现对样本的聚类 ,并给出了算法的理论证明 .将该算法应用到模糊神经网络中去 ,根据聚类结果建立一阶 TSK模糊神经网络 ,然后使用混合算法训练网络参数 ,分别用梯度下降法调整前提参数 ,递推最小二乘法调整结论参数 .最后 ,列举实例证明该算法的有效性 .

一种改进的最近邻聚类学习算法

提出了一种自适应模糊逻辑系统 (AFLS)的改进自适应学习算法 ,该算法将无导师学习算法与基于梯度信息的寻优学习算法相结和 。

增量式神经网络聚类算法

神经网络模型具有强大的问题建模能力,但是传统的反向传播算法只能进行批量监督学习,并且训练开销很大。针对传统算法的不足,提出全新的增量式神经网络模型及其聚类算法。该模型基于生物神经学实验证据,引入新的神经元激励函数和突触调节函数,赋予模型以坚实的统计理论基础。在此基础上,提出一种自适应的增量式神经网络聚类算法。算法中引入"胜者得全"式竞争等学习机制,在增量聚类过程中成功避免了"遗忘灾难"问题。在经典数据集上的实验结果表明:该聚类算法与K-means等传统聚类算法效果相当,特别是在增量学习任务的时空开销方面具有较大优势。

一种基于状态聚类的SARSA(λ)强化学习算法

为求解大状态空间的强化学习问题，提出了一种基于状态聚类的SARSA(λ)强化学习算法，其基本思想是利用先验知识或事先训练控制器，对状态空间进行聚类，分为不同的簇，然后在簇空间上进行SARSA(λ)学习。若能进行适当的状态聚类，算法将可得到一个相对好的近似值函数.

基于模糊聚类与机器学习的医疗数据统计分析算法设计

针对传统单病种医疗费用分析方法在处理大量数据时存在效率低下的问题,提出了一种基于模糊聚类和机器学习的医疗数据统计分析算法。该方法利用模糊聚类在处理大量相关性较强数据上的优势,得到了影响医疗费用的因素;同时,对机器学习中的BP神经网络进行改进,设置双层分类器来提高算法的聚类精准度。对比实验结果表明,文中所提出医疗数据统计分析算法的平均分类精准度比基于Adaboost算法的数据分析算法高5.75%,证明了该统计分析算法的有效性与优越性。

山峰-减法聚类神经元模型及学习算法

将神经网络与数据集的密度指标结合起来提出一种山峰—减法聚类神经网络方法 ,利用数据集的密度指标对基类进行合并 ,并不断重复直至产生足够多的聚类中心 ,就可完成对聚类神经元的学习。给出该聚类的神经元模型和学习算法。该方法的主要优点是对于工程应用中的大样本集分类和重叠数据的模式分类问题 。

一种基于动态最近邻聚类算法RBF网络非线性系统复合控制器设计

针对RBF网络的设计难点,提出一种动态确定隐层节点数和聚类中心的新方法。并基于逆动力学的思想,提出一种RBF网络逆控制与PID控制相结合的在线自学习控制方案。辨识器采用RBF网络结构和动态最近邻聚类算法,实现了对系统逆动力学的动态辨识。并将辨识模型作为控制器模型,与被控对象串联,构成一个动态伪线性系统,从而使非线性对象的控制问题简化成线性对象的问题。仿真结果证明了该控制策略具有良好的动态跟踪性能和抗干扰能力,具有较强的鲁棒性。

基于强化学习的LVQ聚类方法

A reinforcement clustering framework which constitutes Bernoulli stochastic neural units is proposed inthis paper. Reinforcement learning mechanism is introduced to LVQ clustering problems. Related algorithm LVQ-Ris developed and its property is analyzed in detail. The authors conclude that reinforcement learning can be also intro-duced to other on-line competitive clustering methods. Experiments show that LVQ-R has better performance than o-riginal LVQ approach.

基于深度学习的医院海量档案特征快速查询算法研究

为提高档案特征查询结果的查全率和查准率,提出基于深度学习的医院海量档案特征快速查询算法。通过深度学习,建立深度卷积神经网络,采用文本聚类算法,划分档案文本类别,利用图搜图的方式,通过神经网络,提取指定档案的图像特征,得到图像内容对应的文本注释,搜索该文本归属簇集,将簇集内所有文本的特征词和主题作为文本特征,将文本数据匹配到的图像作为图形特征。选取医学领域公共数据集作为实验数据,实验结果表明,针对海量档案文本特征和图像特征,设计算法提高了特征查询查全率和查准率,档案特征快速查询精度更优。