多采样近似粒集成学习

粒化是一种构建粒数据与粒模型的方法.近些年来,有多种粒化方法被提出,如基于样本相似度尺度的相似度粒化、基于邻域关系的邻域粒化和基于特征尺度变换的旋转粒化等.这些粒化方法都在监督与非监督任务中获得优秀的表现.但是这些粒化方法都是基于样本本身的度量关系构建的,会导致样本在粒化过程中的信息量呈现不同量级的扩展现象.这一特征使粒化后的粒子在一些情况下难以处理.因此,提出一种基于多采样方法构建近似粒子的粒化方式以保证粒化过程被限制在有限量级,并且在粒化过程中抛弃固定的度量关系式,粒化的结果会随着选取的近似集与近似基模型的不同而变化,使得样本在粒化为粒子时有着更高的灵活性.文中对多采样近似粒化和多种粒化方法进行详细比较,结果表明多采样近似粒化有着更高的分类性能,且与多种先进的集成算法做了详细比较,结果表明在分类任务上多采样近似粒集成模型拥有着更好的鲁棒性与泛化性.

基于近似整周期采样的钢琴调音仪设计

提出一种基于近似整周期采样的数字测频方法,该方法先通过FIR滤波和过零比较算法测得信号的粗略频率,然后采用跟踪采样、跟踪滤波及拉格朗日插值算法实现单周期固定256点的近似整周期采样,最后通过256点FFT算法得到高精度频率值。设计了一种基于STM32-F407微控制器的便携式钢琴调音仪,并对8个不同频率的标准正弦信号进行了测频实验。实验结果表明,在低音频A2处测得频率相对误差为0.098%;在高音频c5处测得频率相对误差为0.021%。最后对钢琴琴键进行了测频实验,验证了调音仪的稳定性和实用性。

用单片机实现多路电力参数的近似同相位采样

针对电力参数信号变化缓慢的特点，提出一种新的电路设计方法，即用１片８０Ｃ１９６ＫＢ（ＣＰＵ）和２片ＡＤ７７９ＫＮ（ＡＤＣ）作为核心元件，实现８路电力参数信号的近似同相位的数据采样。

蚁群优化算法在求解随机组合优化问题中的应用综述

不确定条件下的优化问题更贴近真实世界环境,因而日益受到广泛关注。综述了蚁群优化在求解一组不确定条件下的组合优化问题,即随机组合优化问题方面的应用。首先介绍了不确定条件下组合优化问题的概念分类模型,给出了随机组合优化问题的一般定义;然后指出了其与求解传统确定性组合优化问题的不同之处,即目标函数的计算存在不确定性,并详细论述了目前解决方法的进展;最后分析了该领域值得重点关注的几个研究方向,并对其未来发展进行了展望。

基于两阶段–机会约束随机规划的含风电机组组合问题

本文提出了一种包含不确定性风电出力的随机机组组合模型。模型的目标函数考虑电力系统运行的机组启停费用和煤耗特性数学期望值的最小化。在约束中考虑在一定置信水平下满足系统备用约束,从而有利于保证系统运行的可靠性。结合本文模型的特点,基于随机规划的采样平均近似方法设计了新的组合SAA算法。最后给出10机组系统的仿真分析,验证了模型的合理性和算法的有效性。

基于生成对抗策略的代码搜索

基于深度学习的代码搜索方法通过计算代码与描述语句各自表征的相似程度,实现代码搜索任务.然而此类方法并未考虑代码和描述语句之间真实存在的相关性概率分布.针对此问题,将经典概率模型中代码和描述语句的相关性概率分布与向量空间模型中特征提取相结合,提出基于生成对抗策略的代码搜索方法.所提方法首先设计代码和描述语句的特征编码器用于特征提取.接着采用生成对抗策略,将代码和描述语句之间的概率分布应用于生成器和判别器的交替训练,同时实现对代码编码器和描述语句编码器的优化,生成高质量的代码表征和描述语句表征用于代码搜索任务.最后在公开的数据集上进行实验验证,结果表明所提出的方法相比于DeepCS方法在Recall@10,MRR@10和NDCG@10指标上分别提升8.4%、32.5%和24.3%.