基于训练样本集扩展的隐式篇章关系分类

隐式篇章关系分类主要任务是在显式关联线索缺失的情况下,自动检测特定论元之间的语义关系类别。前人研究显示,语言学特征能够有效辅助隐式篇章关系的分类。目前,主流检测方法由于缺少足够的已标注隐式训练样本,导致分类器无法准确学习各种分类特征,分类精确率仅约为40%。针对这一问题,该文提出一种基于训练样本集扩展的隐式篇章关系分类方法。该方法首先借助论元向量,以原始训练样本集为种子实例,从外部数据资源中挖掘与其在语义以及关系上一致的"平行训练样本集";然后将"平行训练样本集"加入原始训练样本集中,形成扩展的训练样本集;最后基于扩展的训练样本集,实现隐式篇章关系的分类。该文在宾州篇章树库(Penn Discourse Treebank,PDTB)上对扩展的训练样本集进行评测,结果显示,相较于原始训练样本集,使用扩展的训练样本集的实验系统整体性能提升8.41%,在四种篇章关系类别上的平均性能提升5.42%。与现有主流分类方法性能对比,识别精确率提升6.36%。

Fisher识别用于暂态稳定评估的训练样本集压缩

用Ｆｉｓｈｅｒ线性识别技术考察了暂态稳定输入空间的线性可分性,并将其应用于神经网络训练样本集的压缩。利用Ｆｉｓｈｅｒ识别,将样本集分成３个区域:稳定区域、失稳区域和不确定区域,对不确定区域的样本采用一种半监督的ＢＰ算法来获得一个连续分布的相对稳定指标。由于不确定区域样本数远远小于原始样本集的样本数,因此大大减轻了神经网络的训练负担,提高了训练的速度和效果。在一个１０机３９节点系统上的应用,表明所选方法的有效性。

几种小训练样本集的数字语音识别模型的比较性研究

本文通过对小训练样本集的基于DTW结构的数字语音识别模型的比较性分析,指出其存在的三个一般性问题:(1)DTW逐帧匹配模式割裂了观测向量序列的内在联系;(2)压扩观测向量序列造成局部信息使用的不均匀;(3)计算复杂度高,识别率低。为了解决这些问题,我们提出了基于数字语音时频信息整体结构的单特征向量识别模型。这种模型完整地利用了观测向量序列的全部信息,结合置信度评估和自适应反馈学习之后可及时地吸收测试向量携带的新的环境特征信息,调整识别模型结构。该模型的错识率较之最好的基于DTW结构的混合城模型的错识率降低50％以上,计算复杂度则是固定帧长模型的 13.12％。

BP神经网络的训练样本集容量

本文试图解释用ＢＰ神经网络解界面反问题时效果不佳的原因。文中首先从信息量的角度提出了ＢＰ神经网络训练样本集容量的概念，给出了它的定义及组织训练样本集时应遵循的原则和方法。对于如何用ＢＰ神经网络解界面反问题，给出了其基本步骤，并根据上述训练样本集容量的概念及界面反问题的特殊性，给出了组织界面反问题训练样本集的方法。最后，把上述概念和方法应用到一个小规模的界面反问题的例子中。通过对这个问题的具体分析，指出了ＢＰ神经网络在解决界面反问题时所存在的困难。

基于虚拟样本图像集的多流形鉴别学习算法

为了丰富训练样本的类内变化信息,提出了基于通用训练样本集的虚拟样本生成方法。为了利用生成的虚拟样本中的类内变化信息有效地完成单样本人脸识别任务,提出了基于虚拟样本图像集的多流形鉴别学习算法。该算法将每类仅有的单个训练样本图像和该类的虚拟样本图像划分为互不重叠的局部块并构建流形,然后为每个流形学习一个投影矩阵,使得相同流形内的局部块在投影后的低维特征空间间隔最小化,不同流形中的局部块在投影后的低维特征空间中间隔最大化。实验结果表明,所提算法能够准确地预测测试样本中的类内变化,是一种有效的单样本人脸识别算法。

基于单样本的ART神经网络训练算法

由于成本和客观条件的限制,样本集合不可能无限大,很多时候只能是单样本的情况。将多尺度金字塔算法引入图像处理,将单样本转化成为系列低精度的子图像,作为ART神经网络的训练集合,训练ART神经网络中的注意机制,这符合人的视觉认知原理,即调节注意焦点实现由粗到精的认知图像的过程。进一步,多项式样条金字塔算法被采用,提高了计算效率,降低了复杂度。

基于PSO-ELM组合算法的热力站负荷预测研究

提出了一种粒子群优化极限学习机(PSO-ELM)算法用于热力站负荷预测,应用粒子群(PSO)算法优化极限学习机(ELM)的输入权值和隐含层阈值。将提出的组合算法应用于天津市某小区热力站的负荷预测中,并与ELM、支持向量回归(SVR)和粒子群优化支持向量回归(PSO-SVR)算法在同等条件下进行比较。结果表明,PSO-ELM在预测精度上优于其他算法;在热负荷波动较大时,表现优于PSO-SVR;在一定范围内样本容量对预测结果影响不大,PSO-ELM可遗忘更多的数据。

基于粒子群算法的支持向量机训练和实现方法

在支持向量机的实现过程中,如果用于训练的样本数很大,则标准的二次型优化技术就很难应用。针对在大规模训练中算法收敛速度慢、复杂程度高等问题,提出用粒子群算法求解其中的二次规划问题的思想。试验结果表明,用粒子群算法来训练样本集具有容易实现、节省计算成本和提高收敛速度等优点。该方法已经应用在模式识别、数据挖掘、系统辨识与控制等领域。

基于虚拟样本的加权稀疏表示人脸识别研究

实际的人脸识别系统常常会面临小样本问题，为了提高在小样本情况下人脸识别的分类正确率，提出一种基于虚拟样本的高斯加权稀疏表示的人脸识别方法。该方法首先利用人脸的对称性来构造虚拟训练样本，扩充训练样本集；然后，对每个测试样本，利用高斯核距离度量该测试样本和各个训练样本的相似性关系，并将该高斯核距离作为训练样本的权值来形成加权的训练样本集：最后，利用稀疏表示方法进行人脸的识别分类。实验结果比较分析表明，该方法在小样本情况下可以获得更好的识别效果。

基于小样本卷积神经网络的主动源P波初至拾取方法

地震走时成像结果的准确性取决于初至到时的拾取精度,人工挑选初至效率低、成本高。前人研究表明深度学习可以应用于初至的自动拾取,然而传统的深度学习方法往往需要大量人工挑选的初至作为神经网络的训练集。文章利用U型卷积神经网络拾取单炮多道P波初至,研究表明P波初至拾取的均方根误差会随着训练集数量的增加而减少。训练集分别采用35炮和597炮数据时,对应的均方根误差分别为11.4和6.5 ms。参考半监督学习中数据增强方法,选取适合主动源数据的增强方法(随机剪裁、随机擦除等)用于拓展训练集。结果显示,以人工拾取总数据量的5%(35炮)作为小样本并进行随机擦除数据增强后,实现了均方根误差在5.5 ms(约3个采样点)以内,比未经增强的误差减少51%。与前人的深度学习方法相比,本文应用的数据增强方法可以在小样本的情况下实现主动源地震初至的高精度拾取。

用于大样本前向神经网络的带惩罚项在线梯度法

在神经网络中引入惩罚项是防止权值过大，并从而改善神经网络泛化能力的一种常用方法．设前馈神经网络的训练样本集和权值向量分别为{ζj}j=1^J真包括R^n和X∈R^n．在误差函数中引入形如λ∑(X·ζj^2)的惩罚项，证明了训练过程中权值的有界性和网络的弱收敛性．这里允许J>n，从而不要求{ζj}j=1^J线性无关，放宽了已有结果中要求{ζj}j=1^J线性无关的苛刻限制。

基于遗传神经网络热轧带钢卷曲温度预报系统

带钢冷却过程的热交换是非常复杂的多变量、非线性、强耦合、大滞后的过程,难以用数学模型精确表达。提出了一种将遗传算法与神经网络结合起来,能够提高卷取温度预报精度的系统。利用热连轧现场生产过程中的实际历史数据,对预报带钢卷取温度的遗传神经网络进行离线学习和测试。结果表明,达到了卷取温度预报的精度要求,同时具有较快的收敛速度,能够满足在线实时控制的要求。

一种SVM增量学习算法

分析了SVM理论中SV(支持向量 )集的特点 ,给出一种SVM增量学习算法 .通过在增量学习中使用SV集与训练样本集的分类等价性 ,使得新的增量训练无需在整个训练样本空间进行 .理论分析和实验结果表明 。

模糊聚类与LBG级联的VQ算法

针对LBG算法初始码本随机选取后易出现空胞腔、易陷入局部极小、迭代次数大等缺陷,本文依据模糊聚类理论引入了矢量量化码本设计训练的模糊聚类与LBG级联算法:先用模糊聚类算法训练码本,将训练得到的码本作为传统LBG算法的初始码本,再用传统LBG算法训练。论述了模糊聚类和LBG联合算法的原理与方法;用该算法分别训练了语音线性预测系数的对数面积比(LAR)码本和语音子带浊音度码本;训练过程显示,模糊聚类训练阶段能训练到码本设计目标或接近目标,再经LBG训练阶段,都能达到设计的最佳目标。将训练得到的码本用于多种声码器中进行仿真实验,得到了可懂度高且较自然、清晰的解码语音。

基于Haar-like特征与Adaboost算法的前方车辆辨识技术研究

为了提高前方车辆的辨识效能,提出一种融合Haar-like特征与Adaboost算法的前方车辆辨识方法,基于海量车辆样本集进行离线训练,提取有效车辆轮廓与纹理特征,以Haar-like特征作为目标描述方法,采用Adaboost机器学习算法训练分类器,并构建特征样本级联分类器,对测试对象进行车辆存在性检测。试验结果表明,提出的融合Haar-like与Adaboost的车辆辨识算法检测准确率为91%以上,平均检测速率28ms,对车辆类型和环境干扰等非确定因素具有较强的自适应能力,提高了前方车辆纵向检测的鲁棒性,满足了车辆纵向维度的安全行驶应用需求。

基于信号稀疏分解的水下回波分类

针对表面起伏不平的水下底质回波分类效果差的问题,提出一种新颖的基于信号稀疏分解理论的水下底质回波特征提取方法。本方法并不使用通用时频字典,而是针对回波分类这一中心任务直接采用回波训练样本集作为字典,将水下回波信号在该字典上进行稀疏分解,然后提取出回波信号的类别能量特征。对水下钴结壳等三类底质回波分类实验表明,基于信号稀疏分解的类别能量特征的fisher分布明显优于小波域模极大值边缘特征和奇异值特征,从而显著提高了水下回波的分类效果。研究结论:在回波特征提取阶段,采用回波样本作为信号表达字典是可行的,同时由回波样本字典引入的回波类别信息将有助于获取更优的回波特征。

判别外观模型下的寻优匹配跟踪算法

针对模型匹配跟踪算法易受遮挡、复杂背景等因素影响的问题,提出判别外观模型下的寻优匹配跟踪算法.首先,提取前5帧图像的局部特征块,建立由特征块组成的训练样本集,并利用颜色、纹理特征进行聚类组建判别外观模型.然后,利用双向最优相似匹配方法进行目标检测.为了解决复杂背景干扰,提出前景划分方法约束匹配过程,得到更准确的匹配结果.最后,定期将跟踪结果加入聚类集合以更新外观模型.实验表明,由于利用多帧训练的判别外观模型及双向最优相似匹配方法,算法在局部遮挡、复杂背景等条件下的跟踪准确率较高.

最小二乘支持向量机与Kalman滤波耦合的瓦斯涌出量动态预测模型

针对瓦斯涌出量的多影响因素预测问题,提出一种最小二乘支持向量机(LS-SVM)回归算法与卡尔曼滤波耦合的动态预测方法。该方法依据预测残差方差比检验策略确定自适应的动态训练样本集以取代固定的训练样本集。LS-SVM辨识网络对瓦斯涌出量的相关因素进行非线性映射并提取出最佳维数的状态向量以建立基于卡尔曼滤波最优估计的瓦斯涌出量预测模型。利用矿井监测到的各项历史数据进行实验。结果表明,该模型的预测平均相对误差为2.17%,平均相对变动值ARV为0.008 873,相比单一的神经网络或支持向量机预测模型,具有更高的预测精度与更强的泛化能力。

微粒群算法优化样本集在汽油调合设计中的应用

提出PSO-v-SVR方法建立计算机辅助调合汽油辛烷值预测模型的新思路,采用微粒群算法(PSO)对原始样本集随机抽样并加以优化获得优化的训练集,再以v-支持向量回归(v-SVR)对样本进行训练和预测。用PSO-v-SVR方法对某炼油厂的汽油调合生产数据进行研究,用选出的最佳训练集构成的模型对44组预测样进行预测,实测辛烷值与预测值误差绝对值AE≥0.3的样本数仅为16,平均绝对误差MAE=0.293;明显优于直接用全部原始样本作训练集建模AE≥0.3的样本数26个, MAE=0.366,以及按文献[12]用前期80组样本作训练集建模AE≥0.3的样本数25个,MAE=0.350的预测结果。研究表明,本文的思路可以较大幅度提高模型预测准确性,在化工生产优化和软测量建模中具有推广应用价值。

基于智能选择多维特征的肺部CT图像检索

单一特征检索图像和手工设置多维加权系数特征检索图像越来越不能满足基于内容图像检索精度的需要,为此提出一种基于训练样本集聚类的多维特征向量加权算法。该算法需要手工建立训练样本集,提取出每个图像的颜色、纹理和形状等多维特征,使用遗传算法寻找特征向量集的最优加权系数序列,最后使用该加权序列计算测试集的特征值进行图像检索。实验证明,该算法相对于单一特征检索和手工设置多维特征加权在检索的准确度上有一定的提高,并且在相似度比较高的两个聚类检索时,有很高的准确性。