基于最小Wilcoxon学习方法的模糊树模型

模糊树方法采用最小二乘法学习模糊规则的后件参数,对例外点敏感.为此采用对例外点不敏感的最小Wilcoxon学习方法代替最小二乘法,提出一种基于最小Wilcoxon学习方法的模糊树建模方法,该方法既改善了模糊树方法对例外点敏感的缺点,又继承了模糊树方法的优点.通过对混沌时间序列预测研究,仿真结果表明:所提方法可以对Mackey-Glass混沌时间序列进行准确预测,验证了该方法的有效性和对例外点的鲁棒性.

基于最小Wilcoxon学习方法的Hammerstein模型辨识

提出一种基于最小Wilcoxon学习方法的非线性动态系统建模方法。用非线性静态子环节和线性动态子环节串联——Hammerstein模型来描述非线性动态系统。然后,将Hammerstein模型的非线性传递函数转换为等价的线性形式,从而建立起线性中间模型。再由最小Wilcoxon学习方法辨识出中间模型参数。最后,通过中间模型参数与Hammerstein模型参数之间的关系,推出原系统的非线性静态环节和线性动态环节的参数,从而实现原非线性动态系统建模。在系统仿真响应信号有扰动时,该方法比用最小二乘法辨识中间模型表现出更强的鲁棒性。

自适应模糊偏最小二乘方法在药物构效关系建模中的应用

作为一种局部逼近方法,自适应神经模糊推理系统(ANFIS)适于为药物定量构效关系(QSAR)建模。描述药物分子结构的参数较多,常存在耦合关系,会增加建模难度,并影响模型的预报性能。为此,将ANFIS和偏最小二乘(PLS)相结合,先由PLS从样本数据中提取成分,再由ANFIS实现每对成分间的非线性映射,并基于输出误差进一步修正所提取的成分,使之对因变量具有最优的解释能力,由此构建为EBAFPLS方法。该法已成功地应用于HIV-1蛋白酶抑制剂的QSAR建模,效果良好,显示出很强的学习能力,所建模型的预报性能也优于其它方法。

基于流形正则化和核方法的最小二乘算法

研究了再生核希尔伯特空间中流形正则化下的最小二乘算法的学习能力和收敛速度.该算法能够充分利用输入空间的几何特点以及半监督学习中无标记样本的信息,提高算法的有效性和学习效率.另外,讨论了该算法中正则参数的选取,这对算法实现具有现实的意义.

一种基于增量学习的典型样本选取方法

提出了一种基于增量学习的典型样本选取方法,旨在大样本情况下获取具有学习任务所需的充分信息量且规模最小的训练集用于神经网络建模。仿真结果表明,该方法有利于缩短训练时间和提高神经网络泛化能力,从而具有很好的实用性。

学之道贵在“疑中悟”——高中数学学习方法的思考

1问题的提出众所周知,数学是思维的科学,它在发展学生的智力、培养学生的逻辑思维能力等方面有着其它学科难于替代的地位,数学素养是21世纪每一位合格公民的基本素养.在实际教学中,有一大部分学生学习刻苦,做很多题目,上课听讲也明白,但是数学成绩就是不好,甚至对数学产生厌恶情绪,却毫无对策.古人云"学起于思,思源于疑",这里的疑指的是问题,现代心理学认为,一切思维都是从问题开始的。

反向建模方法在汽轮机热耗率建模中的应用

针对热耗率与其影响因素之间存在的复杂非线性关系,提出了基于自适应混沌反学习万有引力算法(ACOGSA)和最小二乘支持向量机(LSSVM)的汽轮机热耗率反向建模方法.利用某600 MW超临界汽轮机组运行数据,采用基于LSSVM的反向建模方法建立热耗率预测模型,采用ACOGSA算法解决LSSVM的模型参数优化问题,并与GSA-LSSVM模型和BP神经网络模型的预测结果进行比较.结果表明:所建立的模型比传统模型具有更好的泛化能力,更能准确地预测汽轮机的热耗率.

基于SVM的建设项目风险识别方法研究

支持向量机(SVM)是在统计学习理论的基础上发展起来的一种新的机器学习方法。它基于结构风险最小化原则,能有效地解决过学习问题,具有良好的推广性和分类精确性。在项目风险管理中,风险识别是很重要的一个步骤,如果风险不能被识别,那么我们就不能对风险进行转移、控制或管理。针对该问题,本文提出了一种新的风险识别方法-支持向量机,利用该方法对项目风险识别进行了研究,并取得了很好的识别效果。

一种线性的在线AUC优化方法

AUC(area under the ROC curve)优化问题的损失函数由来自不同类别的样本对构成,这使得依赖于损失函数之和的目标函数与训练样本数二次相关,不能直接使用传统在线学习方法求解.当前的在线AUC优化算法聚焦于在求解过程中避免直接计算所有的损失函数,以减小问题的规模,实现在线AUC优化.针对以上问题提出了一种AUC优化的新目标函数,该目标函数仅与训练样本数线性相关;理论分析表明:最小化该目标函数等价于最小化由L2正则化项和最小二乘损失函数组成的AUC优化的目标函数.基于新的目标函数,提出了在线AUC优化的线性方法(linear online AUC maximization,LOAM);根据不同的分类器更新策略,给出2种算法LOAMILSC和LOAMAda.实验表明:与原有方法相比,LOAMILSC算法获得了更优的AUC性能,而对于实时或高维学习任务,LOAMAda算法更加高效.

基于最小尺寸点模型的6D位姿估计与机械臂抓取

针对传统机械臂视觉识别算法识别率低、鲁棒性差、运行时间长等问题,进行了基于深度学习3D目标检测的研究,提出了一种基于最小尺寸点模型的目标检测与姿态估计的抓取方法。该方法基于改进的YOLO算法,同时以所提出的数据集建立方法构建数据集进行训练,通过处理单张RGB图,即可对目标物体进行识别并估计其6D位姿信息,在此基础上再结合路径规划算法对目标物体进行抓取。通过仿真实验证明了该方法能准确地对物体进行分类与位姿估计。在Co602a机械臂下进行了抓取实验,结果证明了该方法的有效性。

基于类权重和最小化预测熵的测试时集成方法

针对传统集成学习方法忽略不同样本需使用不同模型权重的问题,提出一种基于类权重和最小化预测熵(class and entropy weights,CEW)的测试时集成方法。类权重为模型预测结果与验证集上各类概率对错分布的相似度,利用欧氏距离计算相识度;在最小化熵过程中,线性组合模型预测经过类权重模块加权后的输出,寻找最小预测熵对应的线性组合作为熵权重,提高集成模型预测能力。试验结果表明:在4个公开医学图像数据集上,CEW方法与最优单一模型相比,平均召回率提高0.23%~2.81%,准确率提高0.5%~2.54%;与DS方法相比,CEW方法平均召回率最多提高1.25%,准确率最多提高1.1%。基于CEW的测试时集成方法能够在测试时(无标签情况下)动态调整模型权重,比同类方法的预测精度更高。

汽轮发电机组故障诊断GA-SVM模型方法的研究

基于结构风险最小化 [1]的支持向量机是一种新的机器学习方法,具有适应小样本学习和提高学习机泛化性能的优点,详细介绍了将其应用于汽轮发电机组的故障诊断的研究结果,包括结合遗传算法进行模型参数的优化选择,建立联合模型,通过对现场采集的故障样本进行的分类试验,并同BP神经网络方法进行了比较,结果显示本文所述方法具有较高的诊断准确率。

基于多尺度高斯核的分布式正则化回归学习算法

针对工业、信息等领域出现的基于较大规模、非平稳变化复杂数据的回归问题,已有算法在计算成本及拟合效果方面无法同时满足要求.因此,文中提出基于多尺度高斯核的分布式正则化回归学习算法.算法中的假设空间为多个具有不同尺度的高斯核生成的再生核Hilbert空间的和空间.考虑到整个数据集划分的不同互斥子集波动程度不同,建立不同组合系数核函数逼近模型.利用最小二乘正则化方法同时独立求解各逼近模型.最后,通过对所得的各个局部估计子加权合成得到整体逼近模型.在2个模拟数据集和4个真实数据集上的实验表明,文中算法既能保证较优的拟合性能,又能降低运行时间.

基于最小方差支持向量机的织物热湿舒适性预测

在纺织服装工程研究中应用人工智能与机器学习的方法,可以更加准确地预测纺织材料的穿着热湿舒适性。为此,利用最小方差支持向量机(LSSVM),分析了36种针织织物热湿舒适性客观指标与人体穿着对织物的热湿舒适性主观评定之间的对应关系,并建立了客观指标与主观评定之间的回归模型。该模型能够快速预测成衣之后人体穿着主观评定的舒适度,并可节约新面料和织物材料研发过程中的评估成本。通过对多个回归模型的比较与分析,证明LSSVM回归模型比BP神经网络模型能够更加准确地预测织物的主观热湿舒适性。

偏最小二乘判别分析交叉验证在代谢组学数据分析中的应用

近年来，偏最小二乘判别分析（PLSDA）方法在代谢组学研究中得到了广泛的应用，并成为一种标准的高维数据分析方法。PLSDA是一个有监督的学习方法，在分析代谢组学数据时往往由于变量过多而出现过拟合现象。

连续空间的递归最小二乘行动者—评论家算法

传统的行动者—评论家(actor-critic,AC)算法用在连续空间时,数据利用率低、收敛慢,而现实世界中采样往往需要昂贵的代价,因此提出了一种新的连续空间递归最小二乘AC算法,能够充分利用数据,提高学习预测能力。该方法用高斯径向基函数对连续的状态空间进行编码,评论家部分改用带资格迹的递归最小二乘时间差分方法,而行动者部分用策略梯度方法,在连续动作空间中进行策略搜索。Mountain Car问题的仿真结果表明该算法具有较好的收敛结果。

基于改进Mask R-CNN的铁路扣件状态检测方法研究

针对传统的基于深度学习的扣件状态检测方法对偏移扣件检测困难的问题,提出了一种基于改进掩膜区域卷积神经网络(Mask R-CNN)的铁路扣件状态检测方法。首先通过现场试验建立图像数据集,并对图像进行标注;然后利用该数据集建立基于Mask R-CNN的扣件状态检测方法,提取扣件位置并进行分割;最后针对偏移扣件,采用最小外接矩形法改进Mask R-CNN的输出层,获取扣件角度信息,以提高偏移扣件检测的准确率。经在京沪高速铁路试验段现场测试,采用本文方法能够对偏移扣件进行有效检测,并且检出率和准确率均较高。

基于强化学习DQN的智能体信任增强

信任推荐系统是以社交网络为基础的一种重要推荐系统应用,其结合用户之间的信任关系对用户进行项目推荐.但之前的研究一般假定用户之间的信任值固定,无法对用户信任及偏好的动态变化做出及时响应,进而影响推荐效果.实际上,用户接受推荐后,当实际评价高于心理预期时,体验用户对推荐者的信任将增加,反之则下降.针对此问题,并且重点考虑用户间信任变化过程及信任的动态性,提出了一种结合强化学习的用户信任增强方法.因此,使用最小均方误差算法研究评价差值对用户信任的动态影响,利用强化学习方法deep q-learning(DQN)模拟推荐者在推荐过程中学习用户偏好进而提升信任值的过程,并且提出了一个多项式级别的算法来计算信任值和推荐,可激励推荐者学习用户的偏好,并使用户对推荐者的信任始终保持在较高程度.实验表明,方法可快速响应用户偏好的动态变化,当其应用于推荐系统时,相较于其他方法,可为用户提供更及时、更准确的推荐结果.

增量式约简最小二乘孪生支持向量回归机

为了解决增量式最小二乘孪生支持向量回归机存在构成的核矩阵无法很好地逼近原核矩阵的问题,提出了一种增量式约简最小二乘孪生支持向量回归机(IRLSTSVR)算法。该算法首先利用约简方法,判定核矩阵列向量之间的相关性,筛选出用于构成核矩阵列向量的样本作为支持向量以降低核矩阵中列向量的相关性,使得构成的核矩阵能够更好地逼近原核矩阵,保证解的稀疏性。然后通过分块矩阵求逆引理高效增量更新逆矩阵,进一步缩短了算法的训练时间。最后在基准测试数据集上验证算法的可行性和有效性。实验结果表明,与现有的代表性算法相比,IRLSTSVR算法能够获得稀疏解和更接近离线算法的泛化性能。

基于可扩展的自表示学习波段选择算法在近红外光谱回归建模中的影响研究

该文提出了一种基于可扩展的自表示学习(SOP-SRL)波段选择与偏最小二乘(PLS)建模的定量模型分析方法,以安胎丸指标含量阿魏酸、黄芩苷和汉黄芩苷为研究对象,通过SOP-SRL选取代表性波段,采用PLS建立近红外光谱回归模型,并与相关系数法(CC)、正则化自表示学习算法(RSR)和稀疏子空间聚类法(SSC)3种波段选择算法的建模结果进行对比,以校正决定系数(R_(c)^(2))、校正均方根误差(RMSECV)、预测决定系数(R_(p)^(2))和预测均方根误差(RMSEP)为评价标准,对回归模型的预测性能进行评估。结果显示,SOP-SRL在3种数据集上均取得了较好的结果,建模波段从全波长的800分别减少到70、67、87;RMSEP分别从0.0801、6.3495、0.7425下降到0.0653、3.6208、0.4073,分别下降了18%、43%、45%;相应的R_(p)^(2)分别从0.9119、0.8794、0.9158提高到0.9388、0.9526、0.9701,分别提高了3%、8%、6%。结果表明,经SOP-SRL波长选择后模型的预测能力相比于其他几种算法得到显著提升,基于SOP-SRL的PLS模型可以实现安胎丸指标含量的快速检测。