认知无线电网络中基于随机学习博弈的信道分配与功率控制

传统的认知无线电频谱分配算法往往忽略节点的传输功率对网络干扰的影响,且存在节点间交互成本高的问题.为此,通过量化传输功率等级,以最大化弹性用户收益为目标,构建联合频谱分配与功率控制非合作博弈模型,证明了该博弈为严格潜在博弈且收敛到纳什均衡点.进一步,将随机学习理论引入博弈模型,提出了基于随机学习的策略选择算法,并给出了该算法收敛到纯策略纳什均衡点的充分条件及严格证明.仿真结果表明,所提算法在少量信息交互前提下能获得较高的传输速率,并提升用户满意度.

基于随机学习的异构蜂窝网络离散功率控制机制

针对宏基站和低功率小基站重叠覆盖共享频谱的异构网络中干扰抑制问题,提出了一种基于随机学习理论的基站下行离散功率控制机制,以便在保证宏基站传输的最低传输质量要求下,最大化网络满足传输质量要求的小基站传输个数。该方法将每个小基站作为随机学习自动机,维持一个概率向量用于传输功率选择。算法迭代过程中,小基站独立地基于自身选择的传输功率以及网络反馈的信息,即满足传输质量要求的小基站传输的个数,来更新概率向量,调整传输功率,直到系统达到均衡状态。仿真结果表明,基于随机学习的离散功率控制方法具有很好的收敛性和寻优性能,能有效提高系统可支持的满足传输质量要求的小基站传输数量,适用实际系统。

“互联网+随机学习”课堂模式实践——以佳木斯技师学院为例

以黑龙江佳木斯技师学院为例探讨了"互联网+随机学习"课堂模式,介绍了项目实施背景、主要目标及工作过程,最后对项目实施的主要成果与成效进行了总结。

浅谈随机学习模式在新型职业农民培育中的应用

随机学习是电大依托"模块式"教学,学员自主学习的一种学习模式。在开放教育服务新型职业农民的教学活动中,电大创建现代农业数字化学习资源,打造"互联网+随机学习"的网络微课平台和手机移动学习平台。为学员不受空间、时间限制,随时随地进行学习创造良好条件。文章结合湖州电大"一村一"农民大学生随机学习模式实验案例分析,探讨随机学习模式在新型职业农民培育中的科学应用问题。

基于累积量随机学习算法的高分辨率SAR图像舰船检测方法研究

基于SAR图像的舰船目标检测是海洋遥感应用的重要内容,恒虚警率(CFAR)是应用最为广泛的SAR图像舰船检测算法之一。由于CFAR算法的性能主要依赖于对海杂波概率密度的准确估计,本文提出一种基于累积量随机学习的海杂波概率密度估计方法,并采用两级CFAR级联的方法提高检测效率,通过对像素点聚类解决了高分辨率SAR图像舰船区域不连通的问题。实验结果表明,累积量随机学习算法能够更精确地估计海杂波概率密度,相比经典方法,本文提出的检测方法性能较好且检测效率较高。

基于网络随机学习对提高学生英语语言能力有效性的实证研究

网络技术的迅速发展正使其成为英语学习和教学的重要途径和资源。除了在常规教学中的应用,学生在课外的休闲娱乐活动中同样可以通过网络实现英语学习的即时化,随机化和无意化,网络学习为学生提供了一个优良的随机学习平台。学好英语的一个重要前提是要创造足够的语言浸泡(immerse)和接触(exposure)条件和机会,有调查显示,网络世界中绝大部分的信息都以英语形式存在,学生在使用计算机进行网络学习和娱乐活动时,可以广泛地接触英语,以最直接的方式同本族语者交流、互动,或使用英语解决实际问题。本研究旨在以实验调查的方式探究网络随机学习对提高学生的英语语言能力尤其是词汇和听力能力的作用。

系统型随机学习：现代职业教育课堂创新模式

在信息化社会进程中,创新课堂模式、培养学生在信息技术环境下利用信息资源进行自主学习已成为当前职业教育的重点研究领域。系统型随机学习是指学习者为达到预设学习目标而采用的一种泛在课堂学习模式。本文以黑龙江省佳木斯市技工学校物流专业为例,将"学习资源"作为主线,按照"选储-重组-共享-应用"的逻辑顺序,探讨了系统型随机学习这一课堂新模式的建构过程,并对其实施的主要成效进行了总结与反思。

混合随机反向学习和高斯变异的混沌松鼠搜索算法

针对松鼠搜索算法(SSA)易陷入局部最优、过早收敛等问题,提出一种混合随机反向学习和高斯变异的混沌松鼠搜索算法(RGCSSA)。该算法通过Tent混沌映射初始化策略生成混沌初始种群,增强初始种群分布的均匀性,实现对解空间更高效的搜索;采用非线性递减的捕食者概率策略,平衡SSA的全局搜索和局部开发能力;利用位置贪婪选择策略在迭代过程中不断保留种群中的优势个体,以提升算法收敛速度;引入随机反向学习和高斯变异策略,在增加种群多样性的同时提高算法跳出局部最优的能力。使用10个不同的基准测试函数进行仿真实验,并利用Wilcoxon符号秩检验验证所提算法的寻优性能,结果表明,RGCSSA算法在求解精度、收敛速度和稳定性等方面均有极大提升。

高斯隶属度优化的超分辨率随机森林学习算法

随机森林学习算法是一种有效的单图像超分辨率方法,然而其决策函数是确定的二值函数,这对某些图像块的确定性划分并不是最优的选择。为提升单图像超分辨率性能,采用高斯隶属度函数构建随机森林各决策节点的决策函数,将决策函数的输出值由0和1的确定值转换到0-1之间的概率值,并在叶节点上依据数据划分路径上各决策节点概率的乘积进行预测,依据最小经验冒险准则学习决策参数,使随机森林能更好学习不同的样本数据。实验结果表明,与随机森林学习等目前主流单图像超分辨率方法相比,该方法可以提升超分辨率图像的峰值信噪比,同时运算效率与传统随机森林学习算法相当。

基于随机估计学习算法的ATM拥塞控制

在分析了目前的拥塞控制算法的基础上 ,将随机估计学习算法 (SELA)和模糊逻辑的知识引入拥塞控制 ,提出了新的拥塞控制模型 .对模型的信元丢失率进行了数学分析 ,得出了分析结果 .利用语言 (VB)进行了仿真程序的开发 ,并利用开发的仿真程序对系统的性能进行了仿真分析 .

融合动态距离和随机竞争学习的社区发现算法

社区结构作为复杂网络的一个重要属性,对于了解复杂网络的组织架构和功能具有深远意义。为了解决复杂网络的社区发现问题,提出了一种融合动态距离和随机竞争学习的社区发现算法(Dynamic Distance Stochastic Competitive Learning,DDSCL)。该算法首先结合节点度值和节点间的欧氏距离来确定随机竞争学习中粒子的初始位置,使得不同粒子在游走初期不会在同一社区内进行竞争,加快了粒子的收敛速度;然后结合动态距离算法,将节点间的动态距离融入粒子优先游走过程中,使得粒子的优先游走过程更具方向性,减小了随机性,并且粒子游走的过程也会优化动态距离的变化;当粒子达到收敛状态时,节点将被对其具有最大控制力的粒子占据。最后网络中每一个粒子对应一个社区,根据各粒子占据的节点来揭示网络的社区结构。在8个真实的网络数据集上,以NMI和模块度Q值为评价指标,将DDSCL算法与现有的代表性算法进行实验比较,发现DDSCL算法整体上优于其他算法,其不仅降低了随机竞争学习中粒子优先游走的随机性,而且解决了动态距离算法中出现的碎片化社区问题,提高了社区发现结果的准确性。实验结果表明,所提算法具有有效性和可行性。

随机配置网络研究进展

随机配置网络(stochastic configuration network,SCN)是一种新兴的增量式神经网络模型,与其他随机化神经网络方法不同,它能够通过监督机制进行隐含层节点参数配置,保证了模型的快速收敛性能.因其具有学习效率高、人为干预程度低和泛化能力强等优点,自2017年提出以来,SCN吸引了大量国内外学者的研究兴趣,得到了快速的推广和发展.从SCN的基础理论、典型算法变体、应用领域以及未来研究方向等方面切入,全面地概述SCN研究进展.首先,从理论的角度分析SCN的算法原理、通用逼近性能及其优点;其次,重点研究深度SCN、二维SCN、鲁棒SCN、集成SCN、分布式并行SCN、正则化SCN等典型变体;随后介绍SCN在硬件实现、计算机视觉、医学数据分析、故障检测与诊断、系统建模预测等不同领域的应用进展;最后指出SCN在卷积神经网络架构、半监督学习、无监督学习、多视图学习、模糊神经网络、循环神经网络等研究方向的发展潜力.

融合随机反向学习的黏菌与算术混合优化算法

黏菌优化算法(SMA)和算术优化算法(AOA)是最近提出的新型元启发式优化算法。SMA算法具有较强的全局探索能力,但迭代后期振荡作用较弱,易陷入局部最优,且收缩机制不强,导致收敛速度慢。AOA算法利用乘除算子进行位置更新,随机性强,具有较好的避免早熟收敛能力。针对上述问题,将两种算法结合并利用随机反向学习策略提高收敛速度,提出一种性能优越且高效的融合随机反向学习策略的黏菌与算术混合优化算法(HSMAAOA)。改进算法保留了SMA全局探索部分位置更新公式,局部开发阶段将乘除算子替换SMA收缩机制,提高算法随机性与跳出局部极值的能力。此外,通过随机反向学习策略增强改进算法种群多样性,提高收敛速度。实验结果表明,HSMAAOA算法具有良好的鲁棒性以及寻优精度,且明显提升了收敛速度。最后,通过焊接梁设计问题与压力容器设计问题,验证了HSMAAOA在工程问题上的适用性与有效性。

第三种学习形态与基础教育课程改革

20世纪50年代以来,知识的迅速激增导致了人类学习终身化,信息技术的快速发展导致了人类学习的社会化。面对这一变化,传统的随机学习和系统学习已经不能满足人们日益增强的、快速变化的学习需求,一种新的学习形态———系统型随机学习成为人们获取知识和发展能力的主流形态。与此同时,传统中小学校的功能和组织结构也面临越来越多的困难。作为我国基础教育课程改革的重要组成部分,一系列围绕学习目标、学习条件、学习方式和学习评价的改革措施已经出台。这些措施极大地改造了传统的学校体系,为系统型随机学习提供了越来越多的时间和空间。

融合随机反向学习蜜獾算法的无人机三维路径规划

提出一种融合随机反向学习的蜜獾算法(random opposition-based learning honey badger algorithm,ROBLHBA)以解决复杂的无人机三维路径规划问题。在原算法的挖掘阶段和采蜜阶段后加入随机反向学习策略,增强算法的全局能力,加快了收敛速度。此外,为了更加真实地模拟复杂的无人机三维路径规划问题,将路径长度和与威胁障碍的碰撞情况作为代价函数,将无人机三维路径规划问题转化为对无人机的安全性和飞行操纵约束下的优化问题,使仿真实验更加具有真实性。实验对比多种群智能优化算法在同一场景下的运行结果,同时也将改进算法在不同场景下运行。实验结果体现改进后的蜜獾算法在无人机三维路径规划问题上有更好的实用性和鲁棒性。

一种用于大范围优化的随机主导学习群优化算法

针对常规进化算法在求解大范围优化问题时面临计算时间长、占据空间大等难题,本文提出了一种简单而有效的随机主导学习群优化算法-SDLSO.该算法通过引入支配的概念,即从种群中随机选择两个粒子支配该粒子时,采用速度和位置更新公式对粒子进行学习更新,综合权衡算法的勘探和开采能力.为了协助粒子群跳出局部最优,设计了一种参数自适应更新策略.选择CEC2010大范围测试函数对SDLSO算法和CSO算法进行数值仿真实验,结果表明所提出的算法可以有效求解大范围优化问题.

随机权神经网络研究现状与展望

神经网络随机学习克服了传统梯度类算法所固有的收敛速度慢及局部极小问题,最近已成为神经网络领域的研究热点之一。基于随机学习的思想,人们设计了不同结构的随机权神经网络模型。本文旨在回顾总结随机权神经网络的研究现状基础上,给出其发展趋势。首先,提出随机权神经网络简化模型,并基于简化模型给出神经网络随机学习算法;其次,回顾总结随机权神经网络研究现状,基于简化模型分析不同结构随机权神经网络的性能及随机权初始化方法;最后,给出随机权神经网络今后的发展趋势。

随机通达学习策略促进高三英语学习迁移效应的有效研究

高三英语的教学与复习由于内容多，跨度大，需要频繁的归纳与整理。为了能在高考中达到预期的效果，课堂教学呼唤着教学策略的探索和创新．以适应考纲的要求以及教与学方式的改变。随机通达学习策略以其自身鲜明的认知性、灵活性和多元性等特点迎合了高三新旧内容交替教学的需要，把随机通达学习策略训练应用于高三英语教学，有利于学生学习的正迁移。

随机多选择残差网络集成的遥感图像分类算法

深度卷积网络作为一种高效的特征表示学习算法,被广泛的应用于图像分类问题中.由于遥感图像存在目标尺度与方向变化大、类内场景差异形大等问题,单一的深度网络通常不能获得准确的分类结果.为此,本文提出一种随机多选择残差网络集成的遥感图像分类算法,该算法通过多选择学习策略,集成多个残差网络共同完成分类任务,算法设置有效的集成学习目标函数,并通过随机梯度下降算法最小化多个子网络对每个样本的最优分类误差,促使各个网络之间的差异性,能够自适应于特定类别的分类任务,进而形成有效的分类,同时其泛化性通常显著优于单个学习器.在两个公开的遥感数据集上验证了本文算法的有效性,多个残差网络能够对不同类别的遥感影像形成最优分类,有效提升了分类的准确性.

基于Dirichlet过程混合模型的指节偏移测度特征学习

针对人机协调装配光强相对稳定的室内环境,为获取指节图像特征,丰富手部位姿信息,提出基于无穷Dirichlet过程混合模型的指节识别方法。在局部Markov假设的基础上,将条件随机测度的学习问题转化为随机聚类学习问题;运用无穷Dirichlet过程混合模型描述概率密度,将聚类数量表述为随机态;利用Gibbs采样方法,对分层概率形式的密度结构进行迭代学习;给出了基于Dirichlet过程混合模型的坍塌Gibbs采样算法,运用样本集进行了模型训练学习。最后,采用固定阈值对手部图像指节进行识别,验证了所提方法的有效性。