基于极限学习机与旋转森林相结合的栈式深度学习分类方法

大数据时代的到来导致简单机器学习所建立起来的单一模型往往不能充分挖掘大样本数据所承载的丰富信息,同时在学习能力上也略显不足.在此背景下,文中将旋转森林算法(rotation-forest,ROF)与极限学习机(extreme learning machine,ELM)相结合,构建一个基础神经元单元,然后通过栈式泛化原理进行逐层构建,形成一种快速保持源域空间特征的深度学习模型(D-R-ELM).D-R-ELM由多个基础神经元构成,这些基础神经元通过一种特殊的栈式构造方式,既保证了较好的学习能力,同时也减少了训练成本.实验结果表明:D-R-ELM的深层结构模型,在大样本数据上相比于Adaboosting、Bagging、ELM、ROF和Rotboost传统分类器表现出更好的分类性能、稳定性与泛化性能.

可解释的深度TSK模糊系统综述

深度神经网络在多个领域取得了突破性的成功,然而这些深度模型大多高度不透明。而在很多高风险领域,如医疗、金融和交通等,对模型的安全性、无偏性和透明度有着非常高的要求。因此,在实际中如何创建可解释的人工智能(Explainable artificial intelligence,XAI)已经成为了当前的研究热点。作为探索XAI的一个有力途径,模糊人工智能因其语义可解释性受到了越来越多的关注。其中将高可解释的Takagi-Sugeno-Kang(TSK)模糊系统和深度模型相结合,不仅可以避免单个TSK模糊系统遭受规则爆炸的影响,也可以在保持可解释性的前提下取得令人满意的测试泛化性能。本文以基于栈式泛化原理的可解释的深度TSK模糊系统为研究对象,分析其代表模型,总结其实际应用场景,最后剖析其所面临的挑战与机遇。

基于数值模拟回归的桩基对既有建筑影响分析

主要进行了关于桩基础对周围邻近既有建筑设施和管道线路影响的方法论建立和评估分析。首先通过有限元分析软件FLAC3D和LPILE对本工程案例做数值模拟分析,获取关于桩基础在水平荷载下的位移扰动的传播规律信息,建立了相应的数据库;之后采用一种递进式参数优化的多元非线性回归分析方法,推导出了模型的泛化公式;最后采用最小二乘法对公式参数的取值进行迭代校准,得到桩基础周围邻近区域位移扰动的预测公式。研究成果中的公式可被应用于既有建筑设施和管道线路的保护、改迁或加固需求分析,而且对其他工程中的类似问题也有很好的参考价值,同时提出的递进式泛化公式回归分析方法对各类数学模型泛化公式的推导具有普适性的借鉴意义。

关于制约舞蹈艺术创造力因素的思考

文章旨在通过剖析和解读"创造力"在舞蹈艺术创作中的意义,梳理并研究制约舞蹈家和舞蹈编导创造力的影响因素:第一,沿袭泛化的表现手法;第二,习惯性思维;第三,逐渐保守的自我心态;第四,原创性精神的缺乏。文章针对当下舞蹈创作中出现的概念化、泛化和趋同化倾向,以自省的精神,结合舞蹈实践教学和理论研究,力图为舞蹈创作提供一些借鉴参考。