GA-BP算法在正交实验样本预测中的应用

以水悬浮体系下接枝聚丙烯为研究对象,L9(34)型正交实验数据作为训练样本,提出一种GA-BP算法预测模型。该方法采用遗传算法优化神经网络权值和阈值,利用BP网络高度非线性对实验数据进行拟合,建立表征实验因素与实验结果间内在规律的非线性回归方程。结果表明,GA-BP算法的正交实验分析方法能够增加网络收敛速度,优化实验结果,大大提高实验工作的效率和质量。

基于生成式对抗网络和正类无标签学习的知识图谱补全算法

随着知识图谱的应用越来越广泛,绝大多数真实世界的知识图谱通常具有不完备性,限制了知识图谱的实际应用效果。因此,知识图谱补全成为了知识图谱领域的热点。然而,现有方法大多集中在评分函数的设计上,少部分研究关注了负样本抽样策略。在改善负样本抽样的知识图谱补全算法的研究中,基于生成式对抗网络的方法取得了不错的进展。然而,现有研究并没有关注到负样本存在假阴性标签的问题,即生成的负样本中可能包含真实的事实。为了缓解假阴性标签问题,提出了一种基于生成式对抗网络和正类无标签学习的知识图谱补全算法。该方法利用生成式对抗网络生成无标签样本,并使用正类无标签学习缓解假阴性标签问题。在基准数据集上进行的大量实验证明了所提算法的有效性与准确性。

基于伪标签依赖增强与噪声干扰消减的小样本图像分类

深度学习在图像分类领域的成功很大程度上依赖于大规模数据,然而在许多应用场景中,收集足够的数据用于模型的训练是比较困难的。因此,旨在利用有限的数据获得高性能模型的小样本学习成为热点研究方向。在小样本图像分类领域,使用无标签数据来扩充训练数据集是一种常用的方法,但该方法面临两个亟待解决的难题:如何获取无标签数据的伪标签以及如何减轻噪声标签累积的负面影响?首先,为获得高质量的伪标签,需要解决由源域和目标域的分布偏移导致的噪声标签问题,因而提出基于希尔伯特-施密特独立准则(Hilbert-Schmidt Independent Criterion,HSIC)的依赖增强方法,通过最大化图像特征表示与标签之间的相关性,从而提高伪标签的预测可靠度。其次,为克服标签预测误差随着时间推移不断累积的问题,提出噪声标签干扰消减(Noise Label Interference Reduction,NLIR)方法,确保具有正确标签的样本的梯度始终主导着训练动态,从而将模型引向最优解。所提方法在小样本图像分类基准数据集mini-ImageNet和tiered-ImageNet上进行了评估,实验结果表明,该方法能够很好地利用无标签数据提升分类精度,具有良好的分类性能。

基于多样本GA-PSO算法的发射入轨段测控设备优化部署

针对当前航天器发射入轨段地基测控设备部署中存在的效率不高、灵活性不足等问题,考虑最高仰角、地形遮蔽等约束条件,以定轨精度、测控覆盖、资源占用为优化目标,建立给定弹道下测控设备部署优化模型。提出基于多样本遗传-粒子群(Genetic-Particle Swarm Optimization,GA-PSO)算法的发射入轨段测控设备部署优化方法,通过目标权重自适应变换和一定强度的蒙特卡洛仿真实验获取Pareto最优解集,统计分析确定全局最优解。仿真结果表明,该方法可进一步提高发射入轨段定轨精度和测控覆盖率,减少设备冗余,为测控方案制定提供有效数据参考。

用正则的方法在正样本和无标签样本上训练二分类器

正样本-无标签样本学习(Positive-Unlabelled Learning,简称PU Learning)。相对于标准的正样本-负样本学习(Positive-NegativeLearning,简称PNLearning),其是一种仅使用少量正样本和大量无标签样本训练二类分类器的方法。以往工作通常使用一种无偏估计的方法,使用正样本和无标签样本估计PNLearning损失,并建立深度神经网络模型。但是,这种估计方法依赖正样本的数量,当正样本数量较少时,学习算法会发生严重的过拟合。

耦合负类样本裁剪与非对称错分惩罚的非均衡SVM算法

针对标准支持向量机(SVM)识别非均衡数据往往会出现最优超平面倾向性和正类样本大量错分的现象,探讨SVM识别非均衡数据失效的原因及对策;考虑到SVM最优超平面仅由少量支持向量完全决定的特性,提出一种基于负类边界样本裁剪策略的SVM数学模型.鉴于该模型需经多次负类数据的"训练-裁剪"过程才能较好地识别正类样本且较为费时,以等效的一次性裁掉更多样本的裁截面技术作为替代,提出一种耦合负类样本裁剪与非对称错分惩罚的非均衡SVM算法,并利用改进正余弦优化算法优化裁剪偏移量以提高算法的非均衡数据处理能力.数值实验结果验证了裁剪偏移量的优化必要性、改进正余弦优化算法的较强优化性能和改进SVM算法对非均衡数据的较好识别性能.

基于最优样本和最优属性组合的作业车间调度规则挖掘

作业车间调度问题可使用调度规则解决。为挖掘到高效、准确的调度规则,基于训练样本最优和属性组合最优的核心思想,提出一种基于最优样本与最优属性组合的决策树-遗传算法框架(NDTGA)。该框架在构造训练数据时采用成对比较的方式,在构造属性组合时使用属性原值、差值、对比值等多种组合;在遗传算法的每次寻优过程中,调用决策树挖掘全新的调度规则;最终得到最优训练样本和最优属性组合,进而得到最优的调度规则。通过与经典调度规则和其他机器学习算法的对比实验论证了NDTGA框架挖掘所得调度规则的优越性。

动物流行病学正态样本异常值的判断和处理

讨论动物流行病学调查分析数据正态样本的判断和处理。描述格拉布斯检验法和偏度-峰度检验法在处理正态样本中的步骤。以仔猪市场价格为例,阐述格拉布斯检验法的运用方法。说明样本异常值的处理技术。

平面代数剖分样本点临界点算法

侯晓荣给出了寻求平面代数剖分样本点的临界点算法 ,这较惯用的柱形代数分解 (CAD)算法 ,其效率较高 .基于侯晓荣的算法 ,作者对有无界分支的情形 ,采用了球极变换 ,将其转化为有界分支 ,再利用临界点算法来求样本点 .

φ－混合样本密度估计的渐近正态

在较弱的条件下证明φ－混合样本密度核估计的渐近正态性，此结论较好地改进了林正炎所获的结论．

强混合样本下最近邻密度估计的渐近正态性

研究了α-混合样本下最近邻密度估计的渐近性质,证明了估计的渐近正态性并且给出了其渐近方差的显式表达式,由此构造了α-混合样本下概率密度的渐近置信区间.

正态样本的一个统计性质

在这篇文章中 ,我们给出了正态样本的一个统计性质 ,推广了 [1 ]、[2

基于标签迭代的聚类集成算法

现有的“数据相同,算法不同”式的聚类集成算法训练策略普遍存在处理大规模数据性能受限以及共识函数适应性不强的缺点。为此,对“数据不同,算法相同”式的聚类集成算法训练策略进行了研究,构建了一种基于标签迭代的聚类集成(LICE)算法。首先,该算法在原始数据集的随机样本划分(RSP)数据块上训练若干基聚类器。接着,利用最大平均差异准则对聚类簇数相同的基聚类结果进行融合,并基于标签确定的RSP数据块训练一个启发式分类器。之后,迭代式地利用启发式分类器对标签不确定的RSP数据块中的样本点进行标签预测,利用分类标签与聚类标签一致的样本点强化启发式分类器的性能。最后,通过一系列可信的实验对LICE算法的可行性和有效性进行验证,结果显示在代表性数据集上,LICE算法对应的标准互信息、调整兰德系数、Fowlkes-Mallows指数以及纯度在第5次迭代时相比于迭代起始分别平均提升了17.23%、16.75%、31.29%和12.37%。与7种经典的聚类集成算法相比,在选用的数据集上,这4个指标的值分别平均提升了11.76%、16.50%、9.36%和14.20%。实验证实了LICE算法是一种高效合理的、能够处理大数据聚类问题的聚类集成算法。

基于小样本数据驱动的弹壳打凹—平底成形工艺参数优化决策方法

针对某外贸款弹壳在调试生产中加工质量差和模具寿命短的问题,提出一种基于小样本数据驱动的弹壳打凹-平底成形工艺参数多目标优化与决策方法。首先,利用中心复合试验法设计试验,将各试验方案代入有限元模型中进行数值模拟,以仿真结果为基础采用随机森林算法建立弹壳打凹-平底成形工艺参数与打凹下冲头最大等效应力、平底上冲头最大等效应力和平底成形后弹壳内圆角的多目标优化模型。其次,应用改进多目标灰狼优化算法对多目标优化模型进行寻优并获得非劣解集,采用主客观综合熵权-优劣解距离法评价决策出最优工艺参数组合。最后,采用该优化工艺参数组合进行数值模拟和工艺试验,结果显示,模拟结果与工艺试验结果吻合,弹壳底部内圆角充填饱满,模具使用寿命得到提高。

基于虚拟样本的改进人脸识别算法研究及应用

针对实际采集的视频中背景复杂,人物多变,图像处理时间长,训练样本不足的问题,提出了构造虚拟样本,并结合Gabor滤波器及对PCA-LDA算法加以改进的人脸识别算法,以应用于教室点名系统。首先对教室采集到的视频进行裁剪,按帧截取并检测出含有人脸的部分图像并单独保存为测试图像,然后将其与已有人脸库里的训练图像进行对比,最后采用提出的镜像法构造虚拟样本,并结合了Gabor滤波器以及PCNN灰度图像增强处理算法的改进PCA-LDA算法进行人脸识别。仿真实验表明,提出的算法预测了样本可能存在的变化,也在一定程度上降低了计算复杂度,明显地提高了识别率,并在教室点名系统中得到了较好的验证。

基于自监督聚类算法的小样本医学图像分类

基于深度学习的医学图像分析是智慧医疗的一个重要方向。但是通常情况下,医学图像数据集数据量很小,而且由于医学图像的标注困难,耗费大量人力物力,所以带标签的训练数据很难获取。如何使用极少的带标签数据和无标签的数据得到一个较好的网络模型是本文的主要研究内容。该文提出基于深度聚类的自监督网络模型作为特征提取器,并且使用标签传播算法对特征进行分类,解决了只有极少量标签(例如1张,5张或者10张)即小样本情况下的医学图像分类问题,在BreakHis数据集上取得了比传统机器学习算法更好的效果,并且接近于全监督学习方法。

基于小样本数据驱动的滚齿工艺参数低碳优化决策方法

针对实际生产历史数据不足的情况,提出一种基于小样本数据驱动的碳排放预测和多目标优化模型。通过Box-Behnken实验设计收集加工数据后,采用反向传播神经网络建立面向碳排放和加工效率的预测模型,在保证预测精度的同时有效减少模型对数据量的需求。以总碳耗和总时长为优化目标,采用改进的多目标灰狼算法和熵权-逼近理想解排序综合评价法进行了最优工艺参数决策。加工实验验证了提出方法的有效性。

指数-威布尔分布参数贝叶斯估计的混合Gibbs算法

文章利用混合Gibbs算法分别在分组数据和定数截尾场合给出了指数-威布尔分布参数的贝叶斯估计,并进行了Monte-Carlo模拟。结果表明:在两种不完全数据场合,用混合Gibbs算法求指数-威布尔分布参数的贝叶斯估计,结果令人满意,该算法可行、稳定且精度高。

针对不确定正例和未标记学习的最近邻算法(英文)

研究了在正例和未标记样本场景下不确定样本的分类问题,提出了一种新的算法NNPU(nearest neighbor algorithm for positive and unlabeled learning)。NNPU具有两种实现方式:NNPUa和NNPUu。在UCI标准数据集上的实验结果表明,充分考虑数据不确定信息的NNPUu算法要比仅仅考虑样本中不确定信息均值的NNPUa算法具有更好的分类能力;同时,NNPU算法在对精确数据进行分类时,比NN-d、OCC以及aPUNB算法性能更优。

基于GMM-KNN-LSTM的烧结矿化学指标预测

针对烧结矿化学指标检测频率低导致无标签样本无法被机器学习利用的问题,提出了一种充分利用样本中有用信息的烧结矿化学指标预测模型.首先,结合高斯混合模型(GMM)和K-近邻(KNN)算法,将无标签样本转化为有标签样本,然后与长短期记忆(LSTM)单元相结合,用于预测烧结矿的总铁质量分数、FeO质量分数和碱度3个化学指标.通过与反向传播神经网络(BPNN)、循环神经网络(RNN)和LSTM三种模型对比,结果表明所建模型具有较低的预测误差.总铁质量分数和FeO质量分数的预测命中率在允许误差±0.5%内时分别达到98.73%和95.33%,碱度的预测命中率在允许误差±0.05内为98.13%,展现了较高的预测精度.