基于支持向量机的渐近式半监督式学习算法

提出一种基于支持向量机的渐近式半监督式学习算法,它以少量的有标记数据来训练初始学习器,通过选择性取样规则和核参数来调节无标记样本的选择范围和控制学习器决策面的动态调节方向,并通过删除非支持向量来降低学习代价。仿真实验表明,只要能够选择适当的选择性取样的阈值和核参数,这种学习算法就能够以较少的学习代价获得较好的学习效果。

基于群智感知和非监督式学习的室内定位指纹库构建算法

针对指纹法定位中的指纹库构建耗费大量人力和时间的问题,提出了一种基于群智感知和非监督式学习的室内定位指纹库构建算法.首先利用群智感知的方式采集无线接入点的接收信号强度获取原始指纹数据集.然后针对原始指纹数据的冗余杂乱和指纹注释问题,提出基于学习向量量化(LVQ)和多维标度(MDS)结合的一种新颖算法FLM来解决.最终有效构建室内定位指纹库.最后基于射线跟踪模型(ray-tracing)建立仿真实验场景,仿真结果表明其指纹库建立效率得到显著提高,应用于基本定位算法的定位误差80%,在2.6,m以下,而且单次定位的计算量下降63%,.

基于监督式学习的自适应竞价预测模型研究

电力市场改革初期,月度竞价由于可供研究的数据少、环境变化大、市场参与者行为不确定等特点难以分析预测。本文将监督式机械学习算法与当前电力市场规则和竞价者行为特征相结合,提出了一种具有自适应能力的竞价预测方法,引入遗忘机制和惯性机制来模拟真实市场参与者竞价行为,设计了自我验证机制修正不合理的预测结果,改进了正则化参数,有效避免了过拟合的发生。本文实验算例采用广东月度竞价的实验市场数据,验证了所提方法的有效性。

一种基于变形和监督式学习的三维表情生成方法

提出一种基于变形和监督式学习的三维表情生成方法。该方法为一个已有的三维表情样本集建立对应性,并将其转化到某种向量空间表示法中,从而得到一个能模拟任意表情的可变形模型。同时,用各种样本表情来训练一种监督式学习器,使其学会各种表情之间的相关性。根据这种相关性,从一个新样本的某种表情出发进行转换,可以得到对应于该样本的其它表情。

基于监督式学习的全景相机与激光雷达的联合标定

针对传统标定方法不适合用在全景相机—激光雷达系统这种极度非线性的成像模型上,并且基于统计最优化方法对激光雷达线数要求较高、精密测量标定设备昂贵等问题,提出了一种基于监督式学习的全景相机—激光雷达的联合标定方法。通过设计了一种圆形标定物获取点云和全景图对应特征点,生成训练数据集;设计了一种包含一个隐藏层的监督式BP学习网络,将传统的标定问题转化为一个多元非线性的回归优化问题;利用反向传播算法,回归出满足精度要求的旋转平移矩阵。实验结果表明,该方法能够迅速回归出标定参数,精度优于传统方法和基于统计最优化的方法。该方法标定精度较高,且具有自动化程度较高等特点。

基于机器学习的恶意网站分类研究

随着社会信息化的发展,各类网站不断增多,为人们提供信息获取、购物和日常生活所需的便利。然而,随之而来的是恶意网络攻击的不断增加。目前,基于Web的攻击已成为网络安全主要威胁之一,恶意网站识别问题迫在眉睫。该研究以机器学习为基础,结合文献综述与模式识别,选择适用于需求场景的机器学习模型。采用支持向量机、logistic回归、随机森林、决策树、KNN等多种有监督学习算法,构建恶意网站检测模型并在数据集上进行训练,对恶意网站分类问题进行研究与探讨。

监督式强化学习在路径规划中的应用研究

机器学习分为监督式学习、非监督式学习和强化学习。由于强化学习在学习收敛方面速度较慢,难以在实际控制系统中大规模应用。为解决以上问题,提出一种基于标称控制的监督式强化学习算法,并将其用于机器人的路径规划当中。在训练初始阶段引入导师的先验知识,以增加系统的学习效果,同时逐步弱化导师的监督指导作用,发挥强化学习探索优化的优势,让机器人尽快找到最优路径。针对机器人的路径规划问题,提出其监督式学习算法,进行实验对比分析。结果显示,监督式强化学习能有效降低系统的训练次数,提高机器人路径规划的智能化水平。

基于监督式机器学习的零件几何特征智能识别

针对在采用机器视觉的无夹具定位的壳体类零件几何参数检测过程中,需要先智能识别零件几何特征以规划检测路径的问题,提出一种基于监督式机器学习的几何特征智能识别方法。利用壳体零件待识别特征的中心位置关系构成特征矩阵,利用监督式机器学习算法进行识别,提出一种基于特征唯一性的纠错方法对分类过程中产生的识别错误进行纠正。对于所涉研究实例,零件共有4个待识别孔,在5次监督式训练后智能识别准确度达100%。

基于监督式机器学习的零件几何特征智能识别

由于在对壳体类零件的几何参数进行检测时无法通过夹具来进行定位,因此需要对零件所具有的几何特征进行智能识别,以此合理的规划零件的检测路径,而这就需要应用相应的智能识别方法。机器学习作为近年来一种新兴的智能化手段,在零件几何特征的智能识别中有着巨大的应用优势。鉴于此,本文将监督式机器学习作为用于零件几何特征检测的一种智能化方法,并通过训练来测试该智能化识别方法的准确率。

机器学习学习方式及其算法探讨

文章主要对机器学习中经典的四种学习方式即监督式学习、非监督式学习、半监督式学习、强化学习进行简单介绍,并重点提出了涉及机器学习方式下常用的一些算法,主要对机器学习目前最常用的回归算法、Apriori算法、FP Growth算法、决策树算法的基本理论进行阐述,并对决策树算法的基本构造方法进行详细说明。

基于情感特征聚类的半监督情感分类

情感分类是观点挖掘的一个重要的方面.提出了一种基于情感特征聚类的半监督式情感分类方法,该方法只需要对少量训练数据实例进行情感类别标注.首先从消费者评论中提取普通分类特征和情感特征,普通分类特征可以用来训练一个情感分类器.然后使用spectral聚类算法把这些情感特征映射成扩展特征.普通分类特征和扩展特征一起通过训练得到另一个情感分类器.2个分类器再从未标签数据集中选择实例放入到训练集合中,并通过训练得到最终的情感分类器.实验结果表明,在同样的数据集上该方法的情感分类准确度比基于self-learning SVM的方法和基于co-training SVM的方法的情感分类准确度要高.

基于计算机视觉的课堂学生行为图像分析系统的设计与实现

本文设计并实现了一种基于计算机视觉的课堂学生行为图像分析系统。该系统采用最新的物体检测算法YOLOv5s,通过智能摄像头采集课堂图像,实时检测学生行为并进行分析,以提高课堂教学效果和学生的学习质量。本文汇集了众多的学生行为图像资料,经过数据预处理和数据增强,建立了适合YOLOv5s的数据库。其后利用收集到的课堂学生行为数据集训练了一个基于YOLOv5s的课堂学生行为检测模型,可以快速准确地识别学生在课堂中的各种行为,如举手、听讲、看书等。

局部二值模式分类器耦合特征脸的人脸识别算法

为了解决当前人脸识别考勤系统在面对表情、眼镜、头发干扰时,其识别稳定性差的不足,论文设计了基于局部二值模式分类器(LBP Classifier)与特征脸(Eigen Faces)的人脸识别算法。首先,通过优化高维特征,提取低维特征,设计了基于LBP Classifier的人脸检测算子,标识出人脸区域;然后提取特征数据,结合人机交互输入,进行监督式学习,设计了基于EigenFaces的人脸识别算子,完成对人脸特征的识别。实验数据显示:与当前人脸识别算法相比,在面对表情、眼镜、头发干扰较大时,论文算法拥有更高稳定性与识别率。

机器学习在物联网虚假用户识别中的运用

随着通信技术的发展,物联网卡和5G技术将得到大规模应用,但存在个别企业利用物联网卡资费便宜、没有实名制等特点从中非法牟利、破坏社会稳定的问题,不利于行业健康发展。因此如何识别虚假用户成为物联网行业研究的重要课题。主要研究了在实时海量的物联网终端数据中,如何运用机器学习模型高效地识别疑似虚假用户。具体来看,通过研究相关数据的特征,采用基于正样本和未标记样本的半监督式学习模型建立实时监控异常行为的模型,达到识别物联网行业中潜在虚假用户的目的。本研究成果体现在节约大量人力物力的同时,可以帮助相关部门、人员及时发现用户的异常行为,采取相应的措施避免产生较大损失,具有广泛的行业应用前景。

面向机械分拣系统的电子元件自动识别算法

为了提高电子元件机械分拣系统的效率,提出一种电子元件参数图像自动识别算法。利用矩形分割处理电子元件参数图像,通过黑、白色号标记特征修正图像灰度形态。计算图像横纵坐标、摄像机感光阵列、连接机器坐标与摄像机坐标,获得电子元件参数图像的具体坐标系。拟合坐标系内灰度值导数差值与图像像素点信息,得到元件边缘轮廓信息。凭借多项式差值拟定坐标系点集的差值,确保梯度幅值在区间中存在极大值。利用依靠梯度方向法明确元件参数图像素点大致分布,最后利用核分类器构建监督机器学习模型,引入拉格朗日乘子计算参数图像像素坐标点位置,实现图像自动识别。实验证明,该方法能够精确识别图像内的电子元件位置,且识别效率高。

基于深度确定性梯度算法的端到端自动驾驶策略

根据深度确定性策略梯度算法理论,提出了端到端的自动驾驶控制策略,通过Carla无人驾驶模拟器,以汽车前视图像和少量测量信息作为输入,直接输出转向、油门或制动的控制动作。同时,鉴于强化学习过程中存在大量试错行为,设计了对危险试错动作加以约束并修正的监督器,以减少危险动作并提升训练效率。根据Carla的训练测试结果表明,深度确定性策略梯度算法能使小车学习到有效的自动驾驶策略,且添加监督器之后的算法能明显减少试错行为并提升训练效率。

基于GPS轨迹的用户移动行为挖掘算法

挖掘用户的移动行为,可以通过对交通出行方式进行识别来实现。传统的交通方式识别方法在交通堵塞或多种交通方式结合的情况下,识别效果并不理想。针对这种情况,提出基于轨迹分段和监督式学习相结合的识别方法,首先利用速度小于某一阈值的数据点将原始GPS轨迹划分为交通方式单一的子轨迹段,然后对子轨迹段分别抽取特征,采用监督式学习方法建立推断模型对不同子轨迹的交通方式进行识别。实验结果表明,提出的算法能够有效地识别不同交通方式,达到较为理想的效果。同时在交通堵塞的情况下也能够很好地识别。

基于神经网络的洪水水位预测算法

鉴于洪水变化难以预料,及其给社会和人民群众带来的危害,提出一种新的洪水水位变化的预测算法。利用神经网络能以任意精度逼近非线性函数的特点,采用神经网络的有监督式学习,并将预测误差作为反馈来调整水位预测网络中的权值分布,以达到学习的目的。通过程序编程对此算法进行调试,得到了较理想的预测效果。

AI讲座:自编码器——神奇的ML瑞士刀

1神奇的自编码器在之前各期里,所举的范例模型都是基于逻辑回归(Logistic regression)的线性分类器(Linear classifier)。其训练方法是采取监督式学习(Supervised Learning)模式。在本期里,将进一步介绍非监督式学习(Unsupervised Learning)模式,并以小而美的自编码器(Autoencoder,简称:AE)为例。自编码器是一种小而美的ML模型,它的用途非常多,所以有“ML瑞士刀”之称。例如,Pawer Sobel就称之为:深度学习瑞士刀。

计算机MIDI音序编辑技术在民族音乐开发中的应用

针对当前民族音乐发展的困境和数字音乐的流行,文中结合民族音乐的特性和数字音乐制作的优势,通过计算机机器学习中的监督式学习方法对MIDI音序编辑器中所记录的数字参数进行训练,利用神经网络模型进行民族音乐的制作、生成和拟合,并进行了模型拟合实验。参数训练实验结果显示,通过对训练误差和测试误差的误差距离进行对比,证明了在线性判别分析方法、支持向量机方法和随机森林方法中,支持向量机方法下的非线性核心函数RBF是最佳的民族音乐参数判断方法。在民族音乐生成模型拟合实验中,采用计算机MIDI程序对民族音乐资料库进行处理,神经网络模型方法自动生成的结果显示,民族音乐旋律的特征精确值都在95%以上,验证了文中方法的有效性。