学习特征权值对K-均值聚类算法的优化

K 均值 (K means)算法聚类的结果依赖于距离度量的选取 传统的K 均值算法选择的相似性度量通常是欧几里德距离的倒数 ,这种距离通常涉及所有的特征 在距离公式中引入一些特征权参数后 ,其聚类结果将依赖于这些权值 ,从而可以通过调整这些权值优化聚类效果 由于K 均值算法是迭代算法 ,很难直接确定其权值以优化聚类结果 ,因此提出了一种间接的学习权值算法以改进聚类结果 从数学意义上讲 ,这种权值学习相当于欧氏空间中对一组点进行了一个线性变换

一种改进型机器智能强化学习机制研究

针对人工智能领域中非独立智能生物在强化学习方面出现的MDP环境单一、学习空间狭小等问题,提出一种基于改进XCS分类器(I-XCS)的非独立智能生物强化学习机制。此学习机制在原有的XCS分类能力以及在线知识基础之上,使用梯度下降相关技术构造了一个具有高稳定性、低维度特点的逼近方法,此方法存储空间要求低,可以提升智能生物学习归纳能力。实验结果证明I-XCS分类学习算法不仅能够有效地解决MDP环境单一、学习空间狭小等问题,结论在一定程度上提高了非独立智能生物在强化学习中的分析性能。

神经网络控制的稳定性与收敛性分析

摘要:本文采用梯度下降技术及非线性函数逼近理论,对神经网络控制的稳定性、收敛性进行了分析,给出稳定性和收敛性条件。最后根据本文提出的定理进行了仿真,仿真结果表明条件是正确的。