基于元学习和数据增强优化小样本模型泛化性能研究

针对小样本模型泛化性能不足的问题,引入元学习机制构建强泛化性的数据分析模型。使用BP神经网络建立数据分析模型,并使用模型无关元学习算法MAML对模型进行优化。结果显示,相比于传统模型(如支持向量机和高斯过程方法),文中所建立模型的泛化性能更好;针对MAML训练数据形式,引入数据增强方法增加训练数据数量,文中所建立模型的均方根误差、平均绝对百分比误差和决定系数分别为0.05、0.066和0.85,均优于其他预测模型。

基于元学习的甲骨文拓片识别研究

为提高甲骨文拓片的识别效率,针对甲骨文拓片识别过程中存在的数据集种类繁多但类内样本过少的问题,将元学习引入甲骨文拓片图像的识别,提出一种基于元学习的甲骨文拓片识别算法。首先,选择残差网络(ResNet)18作为基本网络结构,以更好地提取甲骨文数据集特征。然后,通过元学习方法对初始模型参数进行学习。试验结果表明,该算法学习到的初始模型参数对于学习新类别的识别有着很好的效果,优于与模型无关的元学习(MAML)等其他模型,并且对于少样本的甲骨文数据集的识别十分有效。该研究为其他少样本数据集的处理和识别提供了一种解决的思路。