容噪学习机制及其在Robocup中的应用研究

噪声对机器学习影响极大,不庸忽视,因此提出一种有效的容噪机制是当前研究的热点问题。本文研究了BP神经网络在不同噪声环境下的容噪能力,利用容噪BP神经网络分析了机器人足球中的噪声问题及其解决方案,并将这种BP网络应用到了我们的仿真球队NDSocTeam的截球动作上,其效果良好。

基于学习自动机的容噪模式分类

在模式分类学习问题中,训练数据中的标注差错(也称类别噪声)对分类器的性能有很大的影响。本文将一种新近提出的连续动作学习自动机(即聚焦区间学习自动机)应用于针对类别噪声的容噪学习问题。分类器采用简单的单隐层前馈神经网络,利用一个由这种学习自动机组成的自动机团队,对神经网络的权值参数进行学习。通过广义异或问题和Iris数据集的仿真试验,将该算法与两种基于群体搜索的优化算法——粒子群优化(PSO)和差分进化(DE)进行了比较研究。结果表明,新算法具有更好的容噪学习性能。