无线传感网络中基于自动学习机的数据传输策略

尽管多径路由能够提高数据包传输成功率,但是其增加参与数据传输的节点数,提升了网络能耗。为此,提出基于自动学习机的单径路由(Single Path-based Learning Automation Routing,SPLAR)。设计SPLAR路由的主旨在于以最少能耗实现数据包传递率的最大化和端到端传输时延的最小化。通过自动学习机构建每个节点的动作集,并依据环境学习更新每个动作的概率。再选择具有最高概率的动作传输数据。仿真结果表明,提出的SPLAR路由在数据包传递率和端到端传输时延具有较好的性能。

随机自动学习机在BP神经网络中的应用

BP算法在许多领域中得到了很好的应用,但它有很多局限性。对复杂的问题,BP需要很长的时间训练网络,而且不一定能得到最佳的网络参数,因此找到合适的网络参数是比较困难的。本文将引入随机自动学习机模型来对BP网络的参数进行调整优化。实验证明所提出的方法不仅能提高网络训练的收敛速度,而且避免了训练陷入局部最小点。

基于自动学习机的社会网络链路预测算法

针对社会网络中新关系出现的预测,提出一种基于自动学习机的社会网络链路预测算法。将自动学习机与三元组转化相结合,将不同类型三元组的转化作为预测的重要依据并构造学习函数,提出六种三元组内节点相似性指标。实验结果表明,该算法所提出的六个预测指标的预测准确度和稳定性要好于六种常用的链路预测指标,对于社会网络分析具有实际应用价值。

流形极限学习机自编码特征表示

极限学习机(ELM)作为一种无监督分类方法,具有学习速度快、泛化性能高、逼近能力好的优点。随着无监督学习的发展,将ELM与自动编码器集成已成为无标签数据集提取特征的新视角,如极限学习机自动编码器(ELMAE)是一种无监督的神经网络,无需迭代即可找到代表原始样本和其学习过程的主要成分。其重建输入信号获取原始样本的主要特征,且考虑了原始数据的全局信息以避免信息的丢失,然而这类方法未考虑数据的固有流形结构即样本间的近邻结构关系。借鉴极限学习机自动编码器的思想,提出了一种基于流形的极限学习机自动编码器算法(M-ELM)。该算法是一种非线性无监督特征提取方法,结合流形学习保持数据的局部信息,且在特征提取过程中同时对相似度矩阵进行学习。通过在IRIS数据集、脑电数据集和基因表达数据集上进行实验,将该算法与其他无监督学习方法PCA、LPP、NPE、LE和ELM-AE算法经过k-means聚类后的准确率进行了比较,以表明该算法的有效性。

MMC五电平逆变器故障的深度小波极限学习机诊断方法研究

针对MMC五电平逆变器不同IGBT故障相似程度高,使得故障诊断困难的问题,提出小波极限学习机-自动编码器WELM-AE(wavelet extreme learning machine-auto encoder)与深度小波极限学习机DWELM(deep wavelet extreme learning machine)的故障诊断方法。所提方法直接利用各故障状态下交流侧三相线电压原始数据对WELM-AE进行逐层预训练,再将训练好的WELM-AE堆叠形成DWELM以提取嵌入于原始数据中的深层次故障特征,并在最后一层实现故障特征与故障类型的映射。对比分析结果表明:所提方法可直接利用原始三相输出线电压信号进行故障诊断,且具有更高的故障诊断准确度。

一种动态的感官评估实验方法

以二分法为基础,应用自动学习机原理建立一种动态的感官评估实验方法.评估者根据评估过程中获得的信息,动态地调整评估策略.该实验方法分为二方面内容:首先提出应用二分法以较少实验次数完成对样本的评估,其次是应用自动学习机原理优化二分法.仿真结果表明,在不影响实验结果精度的前提下,动态实验方法能够显著地减少评估实验次数.

一种面向边缘计算节点能量优化的QoS约束路由算法

在满足节点间端到端时延、可靠性服务要求的基础上,为了解决现有多路径路由协议能耗较高的问题,提出一种面向边缘计算节点能量优化的多服务质量(Qo S)约束路由算法(MQEN).考虑端到端延迟、可靠性、能量消耗的Qo S约束条件,采用边缘计算、机器学习相关技术,构建多约束最优路径传感器网络模型,引入能量感知节点唤醒策略、学习自动机奖惩机制.该算法结合边缘计算,预处理节点的原始数据,加快有效数据的传输、处理.采用自动机与环境交互的方式加快算法收敛.使用控制节点休眠激活状态的方法优化网络能量消耗,延长网络生命周期.实验结果证明,MQEN算法可降低网络能量消耗,并且能满足多Qo S约束对端到端延迟、可靠性服务的要求.