基于自监督任务最优选择的无监督域自适应方法

无监督域自适应方法通过源域标签数据学习到的知识对目标域无标签数据进行分类,成为目前迁移学习中解决两个域特征对齐的主流方法。针对现实中存在已标签数据量少且质量不高造成提取的特征不完备的情况,文中提出了基于自监督任务最优选择的无监督域自适应方法。为使特征具有更强的语义信息,在两个域未标记数据上使用了多个自监督任务;此外,针对进行自监督任务时的易混淆特征,提出了一种新的智能组合优化策略自适应地选择有效特征;最后通过两个域沿着任务相关方向靠近使得源域标记数据训练的分类器能够更好地推广到目标域。仿真实验在公开的6个基准数据集上分别从分类精度、训练集数据使用量、自监督任务使用效果3个方面进行了对比分析。实验结果表明,所提方法在3个方面上的表现都优于现有的先进方法,使用相同数据集时分类精度提高8%;在相同的分类精度要求下,所用数据量减少12%;与单个自监督任务对比时精度提高了11%。

改进团队进步算法的近红外光谱波长筛选

针对近红外光谱波长选择问题,在团队进步算法(TPA)的基础上,提出一种改进团队进步算法(iTPA)的波长变量选择方法,将分子光谱的波段按照与其相应的理化值建模得到的评价值函数大小降序排列,顺序分为精英组、普通组和垃圾回收组。当新生波段选择学习行为时,若其产生于普通组,则需要向精英组样板的方向调节;若其产生于精英组,则需要改进其更新方向,向垃圾回收组样板的反方向调节。垃圾回收组成员的评价值不像精英组和普通组随着更新的过程一直上升,而是一直处于极低的状态,为产生于精英组的新生波段在学习时提供一个准确的更新方向,从而提升算法的全局寻优能力。通过不断的迭代更新,逐步提升整体评价值,最终选取评价值最高的波段作为筛选波段。该算法对玉米的淀粉和蛋白质含量数据集进行了实验测试,并与TPA、遗传算法(GA)、主成分分析(PCA)以及全谱方法进行了对比。实验结果表明,所提算法能够找出全谱范围内波长的最优组合,并且可以解释各含量的化学特性。玉米淀粉数据集运行的效果相比于全光谱,变量个数从700个减少到17.55个左右(50次试验求平均),模型的RMSEC从0.3357降到0.2609,校正集预测精度提升了22.3%,模型的RMSEP从0.3914下降到0.3344左右,预测集预测精度提升了14.6%;在玉米蛋白质数据集运行的效果相比于全光谱,变量个数从700个减少到19.6个左右(50次试验求平均),模型的RMSEC从0.1474降到0.1019,校正集预测精度提升了30.1%,模型的RMSEP从0.1789下降到0.1177,预测集预测精度提升了34.2%。

Membrane-inspired quantum bee colony optimization and its applications for decision engine

In order to effectively solve combinatorial optimization problems,a membrane-inspired quantum bee colony optimization(MQBCO)is proposed for scientific computing and engineering applications.The proposed MQBCO algorithm applies the membrane computing theory to quantum bee colony optimization(QBCO),which is an effective discrete optimization algorithm.The global convergence performance of MQBCO is proved by Markov theory,and the validity of MQBCO is verified by testing the classical benchmark functions.Then the proposed MQBCO algorithm is used to solve decision engine problems of cognitive radio system.By hybridizing the QBCO and membrane computing theory,the quantum state and observation state of the quantum bees can be well evolved within the membrane structure.Simulation results for cognitive radio system show that the proposed decision engine method is superior to the traditional intelligent decision engine algorithms in terms of convergence,precision and stability.Simulation experiments under different communication scenarios illustrate that the balance between three objective functions and the adapted parameter configuration is consistent with the weights of three normalized objective functions.