基于改进的多元自适应样条回归的全局近似算法

复杂模型的全局近似方法可应用于参数试验、灵敏度分析、实时仿真和设计或控制优化等很多方面。多维模型的全局近似使用的方法通常有PRS(多项式响应面),Kriging(克里格法),RBF(径向基函数),SVR(支持向量回归)和MARS(多元自适应样条回归)。虽然传统的MARS有着不容置疑的优势,但是MARS存在的缺点限制了它的应用范围。论文提出了一个改进的MARS多维全局近似方法:用黄金分割方法优化向量点,提高了采样点的构建速度,从而提高了MARS的近似效率。

建设多元化学习方式 引导学生高效学习的策略研究——语文教学采用“自主、合作、探究”学习的反思

新课程标准倡导学生自主、合作、探究的学习方式,这一方面是适应新课改和素质教育的新要求,另一方面也是培养学生语文核心素养的必要途径。然而从目前这种学习方式对语文高效学习的助推作用来看,并没有发挥其应有的作用,语文高效学习还只是停留在表层阶段。因此,我们有必要对这种学习方式进行深入的反思,并提出有针对性的改进策略。

大数据战略下我国智能制造业经营绩效的发展研究——基于优化的TAN-FOA预测模型

2015年5月《中国制造2025》出台,对于中国制造业的发展重新进行战略部署,强国目标由“中国制造”加速向“中国智造”转型,智能制造产业呈现快速发展,然而,快速发展下的经营绩效预测成为必须关注的重要议题。提出改进的TAN-FOA优化方法,主要在同时改进FOA容易陷入局部极值与浓度非负值的局限,并分别优化BPNN及MARS建构的智能制造产业经营绩效预测模型。结果显示,TAN-FOA对比于FOA的优化效果较好,在BPNN或MARS的预测能力均得到有效的提升;同时,TAN-FOA-BPNN-ROE的预测能力在所有模型中最佳,此方法的经营绩效预测模型最适合应用于中国智能制造企业。

基于集成学习的交互式图像分割

针对交互式图像分割人工标记示例匮乏、不同目标区域难以均衡标记,单一分类器难以获得有效分割结果的问题,提出一种多分类器集成学习的交互式图像分割方法.采用多元自适应回归样条(MARS)方法构造第一个分类器;同时引入光滑薄板样条回归函数(TPSR)构造与之互补的第二个分类器,综合组成bagging集成学习器,以降低单一分类器对噪声的敏感度并进一步提高人工标记样本特征空间的利用率.随后,基于半监督学习中的聚类假设,结合bagging多学习器并联特点,提出一种REG-Boosting半监督学习算法,实现半监督图像分割.在不同数据集上的验证性和对比性实验表明所提方法的有效性和优越性.

基于模糊MARS的入侵检测系统

多元自适应样条回归是一种有效的针对高维数据回归建模方法,将该算法应用于入侵检测系统,根据入侵检测中存在的噪声数据和异常数据问题,提出了基于模糊算法的多元自适应样条回归方法。通过基于KDD1999数据集的训练和测试,与SVM在数据集上的测试结果进行对比,得出结论:该算法在入侵检测应用方面优于SVM算法。

Interactive image segmentation with a regression based ensemble learning paradigm

对于复杂场景下的自然图像,全自动图像分割方法难以获得与真实情况吻合的结果,人们常常采用交互式分割手段实现精确分割。然而,当前及背景中存在颜色相似的区域时,传统半监督图像分割方法只能通过大量增加手工标记获得精确分割结果。为此,本文提出一种结合半监督学习的基于回归预测的集成学习交互式图像分割方法。通过集成两个互补的样条回归函数,将图像分割视为一个非线性预测问题。首先,基于已标记样本训练出两个在属性上互补的多元自适应回归样条学习器(multivariate adaptive regression splines,MARS)和薄板样条回归学习器(thin plate spline regression,TPSR);接着,提出一种基于聚类假设和半监督学习的回归器增强算法,该算法从未标记样本中抽选部分样本辅助训练MARS和TPSR;然后,引入支持向量回归方法(support vector regression,SVR)集成MARS和TPSR的预测结果;最后,对SVR集成结果进行Graph Cut图像分割。在标准数据库BSDS500和Pascal VOC上进行大量实验,验证了所提算法的有效性。大量对比实验证实,所提算法在交互式自然图像分割上的表现与当前最先进算法相当。