应用于工控数据异常检测的改进TrAdaBoost迁移学习算法研究

为解决工业控制系统多场景异常检测模型迁移难题,提出了一种基于特征排序和遗传算法的TrAdaBoost迁移学习的工控异常检测算法。由于TrAdaBoost要求同维数,首先采用特征选择算法Lasso做特征排序,然后根据排序结果选择重要特征。其次,将源域与目标域数据分布情况与回补参数相结合更新样本权重,减少权重两极化情况。最后采用遗传算法对TrAdaBoost在目标域上基分类器数目进行参数优化,以提高算法在数据上的适应性。将算法在新加坡数据集和自建数据集上进行实验,使用源域数据集进行迁移实验后,正确率提高9.1%,该算法对知识迁移和样本不足的问题提出了更好的解决方案。

随机森林算法下列表级排序学习推荐系统设计

为满足用户在信息过载情况下的隐式查询需求,设计随机森林算法下列表级排序学习推荐系统。用户登录系统后在用户层各界面操作产生操作信息,通过控制层将用户操作信息传输至处理层;由处理层数据采集模块采集用户感兴趣信息及数据,并将数据统一储存至数据层人机交互信息数据库中,处理层信息推荐模块依据数据层中人机交互信息数据,采用排序学习算法构建列表级排序学习推荐列表,利用随机森林算法作为构建推荐列表的学习方法,选取输出类别最多的决策树作为系统推荐结果;控制层将推荐信息传输至用户层推荐界面完成推荐系统对用户的专属信息推荐。系统测试结果表明,该系统可实现用户偏好内容推荐,推荐准确率为0.9以上,系统整体性能较好。

融合边界处理机制的学习型麻雀搜索算法

为改善麻雀搜索算法(SSA)初始化阶段种群分布不充分,寻优过程中容易受到局部最优解干扰的不足,提出融合边界处理机制的学习型麻雀搜索算法(HSSA)。使用Piecewise map初始化种群,提高种群的分散程度;使用排序配对学习与竞争学习策略分别更新跟随者和警戒者,确保各代的最优解信息能够引导下一代的位置更新;自适应的警戒者数量使得警戒者作用被强调,提供灵活的应变机制;根据不同阶段的寻优特点制定多策略边界处理机制,保留住种群数量的同时,为超出边界的个体提供更加合理的搜索位置。经过12个基准函数的仿真实验,并借助消融实验、Wilcoxon秩和检验等证明了HSSA在收敛速度上的稳定性和寻优的高效性。

基于AS-OCT图像的核性白内障多级排序分类算法研究

目的探讨基于眼前节光学相干断层扫描(AS-OCT)图像的核性白内障智能辅助分级算法对白内障分级的诊断价值。方法采用诊断试验研究方法,收集2020年11月至2021年9月间同济大学附属第十人民医院电子病例系统中核性白内障患者939例1608眼的AS-OCT图像资料,所有资料均符合临床阅片清晰度要求。其中男398例664眼,女541例944眼,年龄18~94岁,平均年龄(65.7±18.6)岁。由3名经验丰富的临床医生基于晶状体混浊分类系统(LOCSⅢ分级系统),对所收集的AS-OCT图像进行1~6级人工标注。构建一种基于多级排序的全局-局部白内障分级算法,该算法包含5个基本的二元分类全局-局部网络(GL-Net),每个GL-Net聚合白内障核区域、原始图像等多尺度信息进行核性白内障分级。基于消融实验和模型对比试验,采用准确率、精确率、灵敏度、F1指标及Kappa系数对模型性能进行评价,且所有结果均通过五折交叉验证。结果模型在核性白内障数据集上的准确率、精确率、灵敏度、F1、Kappa分别为87.81%、88.88%、88.33%、88.51%、85.22%。消融实验结果表明,ResNet18结合局部特征和全局特征进行多级排序分类,模型在准确率、精确率、灵敏度、F1、Kappa指标上均有提升。与ResNet34、VGG16、Ranking-CNN、MRF-Net模型比较,本研究模型各性能指标均有提升。结论基于深度学习的AS-OCT核性白内障图像多级排序分类算法对白内障分级具有较高的准确度,有望辅助提高眼科医生对核性白内障的诊断精度以及效率。

联合遗传算法和强化学习的虚拟网络功能映射与调度方法

网络功能虚拟化环境下,为满足用户不同需求并提高资源利用效率,将虚拟网络功能映射与调度联合考虑。首先,通过构建网络低时延、虚拟机资源高利用及能量低损耗的多目标优化模型,设计了一种强化学习(RL)联合第三代非支配排序遗传算法(NSGAⅢ)的优化方法RL-NSGAⅢ;然后,采用两段式初始化技术求得高质量初始解,利用强化学习的优势自适应调节交叉变异参数,以保持种群多样性;最后,基于参考点的第三代非支配排序遗传算法,将虚拟网络功能映射至虚拟机并进行调度服务,得到多目标优化策略。仿真结果表明:相较于已有的NSGAⅢ、NSGAⅡ和MOPSO算法,采用RL-NSGAⅢ算法计算得到的时延降低了17%~28%,节点负荷提高了9%~19%,能量损耗降低了12%~26%,表明所提算法在提高网络速率和降低网络运营支出上的有效性。

基于排序学习的推荐算法研究综述

排序学习技术尝试用机器学习的方法解决排序问题,已被深入研究并广泛应用于不同的领域,如信息检索、文本挖掘、个性化推荐、生物医学等.将排序学习融入推荐算法中,研究如何整合大量用户和物品的特征,构建更加贴合用户偏好需求的用户模型,以提高推荐算法的性能和用户满意度,成为基于排序学习推荐算法的主要任务.对近些年基于排序学习的推荐算法研究进展进行综述,并对其问题定义、关键技术、效用评价、应用进展等进行概括、比较和分析.最后,对基于排序学习的推荐算法的未来发展趋势进行探讨和展望.

基于PRank算法的主动排序学习算法

针对排序学习中如何选择最值得标注的样本和通过尽可能少的已标注样本训练出较好的排序模型的问题,将主动学习的思想引入排序学习中,提出一种基于排序感知机的主动排序学习算法——Active PRank。基于真实数据集的实验结果表明,该算法在保证排序模型性能的前提下,减少样本的标注量,在同等标注量的条件下,提高排序结果的正确率。

基于正则化瑞利系数的半监督k-部排序学习算法及应用

借鉴Ralaivola给出的基于正则化瑞利系数的半监督二部排序学习算法的思想,提出基于正则化瑞利系数的半监督k-部排序学习算法.同时,将此方法运用于本体相似度计算和本体映射.通过两个实验说明新算法是有效的.

k-部排序学习算法的可学习性分析

分析在特定假设空间下k-部排序学习算法的可学习性.给出k-部排序可学习和可有效学习的概念,得到样本复杂度的上界以及k-部排序算法可有效学习的一个充分条件,同时给出与计算复杂度相关的若干结果.最后,将部分结果推广到限制模型中.

一种基于结构化学习的排序算法

传统排序算法将排序问题转换成分类或回归问题来求解,这样得到的模型不够精确。对此提出一种新的排序算法,该算法把排序问题看成一个结构化学习过程,即通过训练集来学习一个排序结构。算法首先定义了一个查询级的目标函数,针对算法约束条件太多,难以直接优化,提出使用割平面算法进行求解。对于算法中的"寻找最违约排列"子问题,将其变换成为一个简单的降序排列问题。基于基准数据集的实验表明,相比起传统的排序算法,所提算法更为有效。

基于排序学习的混合推荐算法

为了解决推荐系统如何适应不同的应用场景,以及推荐结果的排序问题,提出以Boosting合并算法为基础模型,以Lambda MART算法为主的更新算法,将排序学习技术运用于混合推荐。基于用户反馈信息的实时更新排序模型,通过学习不同场景中的不同数据,使推荐系统能够适用于不同的应用场景。同时,基于排序评价指标NDCG对混合推荐模型进行了验证。

排序学习中的Ranking SVM算法研究

本文详细分析了基于支持向量机的排序学习算法Ranking SVM,通过选取不同的惩罚参数在OHSUMED数据集进行实验,衡量了算法在评价准则MAP和NDCG@n下的性能。

数据结构排序算法学习意义感的建立

以数据结构中“排序算法”的教学为例,探讨引导学生建立学习意义感的方法.从分析学习现状、明确学习目标多样性、了解岗位需求和审视算法背后逻辑4个角度入手,帮助学生对学习内容产生正确认知并建立学习意义感,激发学生的求知欲望和学习动力.

边排序贝叶斯网络结构学习算法应用于基因调控网络构建

提出一种基于多数据源融合思想的贝叶斯网络结构学习算法.该方法在现有贝叶斯网络结构学习算法的基础上,进行网络结构再学习,能有效处理不同数据源无法简单合并的问题.实验结果表明:在现有基因芯片数据节点数过多但数据量过少的前提下,该算法能有效提高建网精度;基于酿酒酵母细胞周期对不同实验条件下的表达数据进行融合,可以将正确率提高约12%.

一种结合LPA半监督学习的排序学习算法

针对有监督排序学习所需训练集的大量标注数据不易获得的情况,引入基于图的标签传播半监督学习。利用有限的已标记数据和大量未标记数据来完成训练数据的自动标注工作,解决大量训练数据集标注工作耗时耗力的难题。首先以训练数据为节点建立εNN图模型实现标签传播算法进行训练数据的自动标注,再基于得到的训练集使用Ranking SVM实现排序学习,在OHSUMED数据集上衡量该方法在MAP和NDCG@n评价准则下的性能。实验结果表明,该方法的性能优于普通pointwise排序学习方法,略低于普通pairwise排序学习方法,能够在达到可用性要求的前提下节省接近60%的训练集标注工作量。

加工时间基于学习因素的一类排序问题最优算法的证明

考虑了一类工件的加工时间基于学习因素,目标函数为极小化最大完工时间的单机排序问题,即随着加工时间的增加,工件的加工时间将减少.对于文献[Kuo Wen-Hung,Yang Dar-Li.Minimizing the makespan in a single machine scheduling problem with a time-based learning effect[J].Information Processing Letters,2006,97(2):64-67.]中提出的最优多项式时间算法,给出了一种更为简洁的证明.

考虑技能学习差异的多工人协作柔性车间调度

在考虑工人技能学习差异的基础上,为解决多工人协作柔性车间调度问题,提出了基于稀疏邻域带精英策略的快速非支配排序遗传算法(Non-dominated Sorting Genetic AlgorithmⅡ,NSGA-Ⅱ)的调度方法。对考虑技能学习差异的多工人协作柔性车间调度问题进行了描述,以车间工人学习能力为背景改进了DeJong学习模型,并建立了多工人协作柔性车间调度的多目标优化模型。在NSGA-Ⅱ基础上,引入了邻域稀疏度的选择方法,有效保留了信息丰富和多样化的染色体,并将稀疏邻域NSGA-Ⅱ应用于柔性车间调度问题求解。经实验验证,稀疏邻域NSGA-Ⅱ所得Pareto解集质量高于标准NSGA-Ⅱ和自适应多目标进化算法(Multiobjective Evolutionary Algorithm Based on Decomposition,MOEA/D),最短调度方案的完工时间为127.1 min,该方案满足逻辑和时间等约束。实验结果验证了稀疏邻域NSGA-Ⅱ在柔性车间调度中的优越性。

基于间隔准则的优化排序多标记学习算法

针对多标记学习分类问题,算法适应方法将其转化为排序问题,并将输出标记按照其与示例的相关性进行排序,该类方法取得了较好的分类效果。基于间隔准则提出一种多标记学习算法,通过优化模型在示例的相关标记集合中最小输出与不相关标记集合中最大输出的间隔损失来进行标记排序。在此基础上,为充分利用全部标记信息,提出一种改进的优化排序多标记学习算法,分别优化模型在示例的相关标记集合中平均输出与不相关标记集合中最大输出的间隔损失,以及优化模型在相关标记集合中最小输出与不相关标记集合中平均输出的间隔损失,从而实现标记排序。在模型的参数学习过程中,使用改进的次梯度Pegasos算法进行优化。将所提2种算法与ML-RBF、BP-MLL、ML-KNN多标记学习算法在4个多标记数据集上进行对比实验,结果表明,在HL、RL等5种不同的评价准则下,2种算法均能与对比算法取得相近的分类性能。

嵌入学习效应的多目标应急伤员手术调度

为了合理高效地解决突发事件后医院手术室资源调度问题,本文在经典车间调度模型的基础上,提出了应急手术调度模型。以手术室救治总成本最低以及伤员的手术完成时间最短为目标,重点考虑了学习效应对手术完成时间的影响,并对比分析了不同学习因子下的调度结果。利用带有精英策略的非支配排序遗传算法求解多目标手术调度问题,并通过仿真对比实验证明了模型和算法的有效性。

计算机协作学习环境中项目教学法的应用与实践——以《冒泡排序的算法实现》为例

项目教学法是指在教师的指导下,将一个相对独立的项目交由学生处理的教学方法。信息的收集、方案的设计、项目实施及最终评价,都由学生自己负责,学生通过该项目的进行,了解并把握整个过程及每一个环节中的基本要求。项目教学法以“项目为主线、教师为引导、学生为主体”,注重理论与实践相结合。笔者所在学校的生源相对不好,而且学生的信息技术学科基础差异较大,在讲解算法和程序设计的编程题目时学生不太容易掌握,且经常遗忘。而冒泡排序是属于当前高考中最重要的几个知识点之一。