基于深度学习的分布式时空数据快速真值推理方法

针对移动群众分布式感知中真值推理缺乏有效的真值基准数据和参与者可信度信息的问题,提出了基于深度学习的分布式时空数据快速真值推理方法(DLFTI),构建了金牌真值数据(来自无人机)、银牌真值数据(来自高可信参与者)和铜牌真值数据(来自深度矩阵分解)三级真值基准数据框架,实现了对参与者的快速可信度计算,同时设计了三级估计真值数据并成功实现了移动群众感知的快速且精确的真值推理。仿真实验结果表明:本文方法与传统算法相比,在参与者识别和真值发现方面,性能得到显著提升。

模糊集相似度限定推理方法

本文在模糊推理的Mamdani算法和BaldwinJF的真值限定推理方法的基础上,提出了模糊集相似度限定推理方法,并以规则再现为评价标准对这三种方法进行了比较。

扰动模糊集相似度限定推理方法

作为模糊控制理论基础的模糊推理,近年来得到广泛的研究和应用。结合模糊推理的 Mamdani 算法与 J.F. Baldwin 的真值限定推理方法,在扰动模糊集上定义了一种模糊推理的新方法—扰动模糊集相似度限定推理(FMP 和 FMT)方法,提出了扰动模糊集相似度限定推理方法, 该方法是满足关系再现的并对关系再现问题进行了讨论,给出了满足还原算法的条件。

众包学习算法研究进展

随着众包技术的快速发展,有监督学习可以以一种快速、成本较低的方式获得大量有标签数据。然而,由于众包标注者的不确定性,标注数据质量不能得到有效保证。因此,提高标签质量是众包学习算法的关键。本文总结了众包学习算法的前沿进展,详细介绍了真值推理算法和众包噪声矫正算法的主要研究成果,分析了这些算法之间的联系和区别,并对未来发展方向展开简要探讨。

直觉模糊集相似度限定推理方法

在模糊推理的Mamdani算法和Baldwin的真值限定推理方法的基础上,提出了直觉模糊集相似度限定推理方法.给出了广义的取式推理、拒式推理和假言推理规则的直觉模糊集相似度限定推理算法,并证明了这些算法在一定条件下是还原算法.