泛化性能
泛化性能的相关文献在1997年到2022年内共计133篇,主要集中在自动化技术、计算机技术、机械、仪表工业、电工技术
等领域,其中期刊论文111篇、会议论文19篇、专利文献182147篇;相关期刊76种,包括气象学报、系统工程与电子技术、机械设计与制造等;
相关会议17种,包括2011年中国智能自动化会议、第二十二届中国过程控制会议、2008年全国工业控制计算机年会等;泛化性能的相关文献由340位作者贡献,包括杨晶东、丁晓剑、赵银亮等。
泛化性能—发文量
专利文献>
论文:182147篇
占比:99.93%
总计:182277篇
泛化性能
-研究学者
- 杨晶东
- 丁晓剑
- 赵银亮
- 刘小雍
- 李凯
- 李鹏
- 杨慧中
- 邬益川
- 金龙
- 况雪源
- 刘丙杰
- 叶冲
- 周姝春
- 周松林
- 夏元清
- 张优云
- 张颖
- 彭任华
- 方华京
- 李冬梅
- 李晓东
- 李益国
- 李红霞
- 杨鑫
- 汪庆华
- 王业宏
- 王晓丹
- 王正欧
- 程琳娟
- 苏建徽
- 范垂仁
- 茆美琴
- 覃志年
- 许士国
- 赵敏汝
- 邹伟东
- 郑成诗
- 雷霖
- 韩飞
- 黄海洪
- Bai Jie
- Bi Xin
- CAO Ying
- CHEN DiRong
- Cui Hua
- Huang LiBo
- Li Cunhe
- Pang Shan
- Yang Xinyi
- Zhang Zhenkai
-
-
古天龙;
孙镇海;
宾辰忠;
常亮
-
-
摘要:
近些年由于深度学习技术的介入,机械故障诊断算法也日新月异。但是现有的方法过于依赖大量数据支撑并缺乏较好的泛化能力。针对目前存在的两个问题,这里提出了一种基于多尺度卷积神经网络的全新算法(MSCNN)。该方法以轴承原始振动时序信号作为输入,为了实现预期效果,这里采取了如下三种解决思路;(1)模型使用具有一定重复率的样本数据,大幅扩充了样本数量;(2)引入多尺度卷积核进行特征提取;(3)模型根据振动信号的固有特征选择卷积核尺寸。MSCNN不仅能在少量数据下得到近乎100%的故障识别精度,还能够在不同数据集交叉中,表现出优秀的泛化性能。
-
-
孙洁;
崔婷婷;
刘晓悦;
徐彬
-
-
摘要:
针对高炉冶炼过程的复杂、多变以及非线性等因素,提出了一种基于粒子群算法(Particleswarmoptimization,PSO)和遗传算法(Geneticalgorithm,GA)相结合来优化极限学习机(Extremelearningmachine,ELM)的高炉铁水硅含量预测模型。PSO-GA-ELM预测模型,主要是在PSO算法进行适应度值计算、粒子的速度更新和位置更新时将GA算法中的选择、交叉和变异等操作融入其中,使其输出最优的连接权值和阈值代入到ELM模型中。通过对4种不同的预测模型进行实验验证,结果表明,优化后的PSO-GA-ELM模型在进行铁水硅含量预测时的预测精度、学习能力和泛化性能均高于其他三种预测模型。
-
-
苏晓;
余涛;
徐伟枫;
蓝超凡;
史守圆
-
-
摘要:
隐马尔可夫模型(HMM)是非侵入式负荷监测常用的算法.由于电压波动与负荷自身电气特性变化等原因,负荷的测量状态如功率可能持续变化,运行过程中出现新的状态转移,但当前基于HMM的非侵入式负荷监测方法并未考虑如何处理该情况,缺乏状态辨识与功率分解的泛化能力.针对这一问题,本文提出并构建二元参数隐马尔科夫模型(BPHMM),结合DBSCAN聚类算法,基于有功功率和稳态电流对负荷状态进行聚类,降低了因电压波动和噪声数据对负荷状态聚类结果造成干扰的可能性;改进维特比算法使其考虑到HMM模型参数更新以实现对负荷状态预测泛化性能的改进;考虑到功率的随机波动性,基于极大似然估计原理构建功率计算优化模型并实现负荷的功率分解.本文采用公共数据集AMPds2对所述方法进行验证,测试算例验证了所述方法的有效性.
-
-
邹伟东;
夏元清
-
-
摘要:
在基于基础设施即服务的云服务模式下,精准的虚拟机性能预测,对于用户在众多资源提供商之间进行虚拟机租用策略的制定具有十分重要的意义.针对基于宽度学习系统(Broad learning system,BLS)的预测模型存在许多降低虚拟机性能预测准确性和效率的冗余节点,通过引入压缩因子,构建基于压缩因子的宽度学习系统,使预测结果更逼近输出样本,能够减少BLS的冗余特征节点与增强节点,从而加快BLS的网络收敛速度,提高BLS的泛化性能.
-
-
张磊;
方灶军;
王聚幸;
何晨;
顾丹宁
-
-
摘要:
为了提高机器人示教学习的计算效率以及泛化性能,提出了一种基于任务参数加权的动态运动基元泛化的机器人示教学习模型,主要步骤如下:运用动态运动基元模型提取多次示教运动轨迹的特征参数;在新的任务参数下,运用提取的特征参数重构特征运动轨迹;以示教任务参数与新任务参数的近似程度对特征运动轨迹进行加权叠加,生成新的运动轨迹。在Kukaiiwa机器人上的实验表明,在新的任务场景下,所提方法能够快速有效地泛化出新的运动轨迹,与已有方法相比,在计算效率及示教任务参数附近的泛化性能上有了较大的提升。
-
-
赵小芬;
张开生
-
-
摘要:
目前说话人、环境及发音多样性仍是语音识别声学建模中需解决的主要难题,为了克服这些不利因素的影响,本文将经过三层结构优化后的卷积神经网络应用于语音识别,利用卷积神经网络的卷积不变性克服语音信号的多样性,采用更符合生物神经元特性的新型激活函数改进卷积层缓解梯度消失的问题;利用中间池化方法改进池化层、减小特征提取误差,使用卷积层代替全连接层的方式降低模型复杂度,再通过与对比方法进行多种指标评价,结果表明:本文提出的方法较对比算法在中文语音、英文语音两种数据集下平均识别错误率分别下降22.05%和20.27%。比传统卷积神经网络模型的损失值相对减小40%,在一定程度上提升了模型的泛化能力。
-
-
刘展程;
王爽;
唐波
-
-
摘要:
依据油中溶解气体含量特征准确识别变压器故障类型,对变压器的安全运行具有重要意义。考虑深度信念网络(DBN)对样本数据中的特征提取有独特优势,采用DBN作为故障识别模型,将变压器油中溶解气体原始数据集直接输入至训练模型,并通过3种智能搜索算法对DBN中批处理、梯度下降学习率、层神经单元数3个重要参数分别进行智能寻优,解决少量原始样本数据直接输入时故障识别率不高的问题。仿真结果表明,采用布谷鸟搜索算法(CS)优化DBN模型时比粒子群搜索算法(PSO)和遗传算法搜索(GA)优化的效果更好,CS-DBN模型的故障总识别率比GA-DBN的高4.2%,比PSO-DBN的提高2.5%,同时进化效率提高56.2%;CS-DBN模型的泛化性能也比另2种更好。
-
-
曹利;
彭骥;
殷鸣;
殷国富
-
-
摘要:
主轴热误差是影响数控机床热精度最关键的因素,为了探究主轴在变温车间中不同转速不同冷却条件下温升与热误差之间的演化规律,以一台五轴卧式加工中心的主轴为研究对象,利用思维进化算法(mind evolutionary algorithm, MEA)优化BP神经网络建立MEA-BP热误差模型,预测主轴热变形趋势。结果表明,建立的MEA-BP热误差模型,相比于传统的基于BP神经网络和遗传算法(genetic algorithm, GA)优化BP神经网络(GA-BP)建立的热误差模型,平均预测精度分别提高了63.16%和54.34%,验证了本模型在不同工况下的鲁棒性和泛化能力。
-
-
刘威;
王薪予;
刘光伟;
王东;
牛英杰
-
-
摘要:
半监督深度学习模型具有泛化能力强,所需样本数较少等特点,经过10多年的发展,在理论和实际应用方面都取得了巨大的进步,然而建模样本内部“隐含”关系时模型缺乏解释性以及构造无监督正则化项难度较大等问题限制了半监督深度学习的进一步发展。针对上述问题,从丰富样本特征表示的角度出发,构造了一种新的半监督图像分类模型—融合关系特征的半监督分类模型(semi-supervised classification model fused with relational features,SCUTTLE),该模型在卷积神经网络模型(convolutional neural networks,CNN)基础上引入了图卷积神经网络(graph convolutional networks,GCN),尝试通过GCN模型来提取CNN模型各层的低、高级特征间的关系,使得融合模型不仅具有特征提取能力,而且具有关系表示能力。通过对SCUTTLE模型泛化性能进行分析,进一步说明了该模型在解决半监督相关问题时的有效性。数值实验结果表明,三层CNN与一层GCN的融合模型在CIFAR10、CIFAR100、SVHN 3种数据集上与CNN监督学习模型的精度相比均可提升5%~6%的精度值,在最先进的ResNet、DenseNet、WRN(wide residual networks)与GCN的融合模型上同样证明了本文所提模型的有效性。
-
-
陈青;
杨晶东;
王晗;
彭坤
-
-
摘要:
指数移动平均(EMA)算法,通常可用于过滤由小批量梯度下降引起的噪声,提高模型鲁棒性。然而,传统EMA算法在持续训练后期,无法有效优化网络参数,深层神经网络经常出现过拟合。因此,本文提出一种以变系数Tanh为衰减函数的动态衰减EMA算法,结合SGD优化器的T-ADEMA+SGD算法,进行神经网络训练。针对MNIST、CIFAR_10、CIFAR_100数据集,采用优化器SGD训练ResNet50模型,并针对胸部X射线图像训练Vision Transformer(ViT)模型,同时采用深度卷积生成对抗网络(DCGAN)进行数据增强和基于t分布,随机邻域嵌入(t-SNE)模型用于可视化分析。实验表明,对于CIFAR_100测试集,T-ADEMA+SGD算法的准确率、精度、召回率和F值分别为74.15%、74.39%、74.15%、74.04%;而对于Kaggle COVID-19三分类图像,相应的评价指标分别为87.94%、91.19%、84.43%、86.87%,与典型算法相比,本文模型可以更好地根据训练时间,动态调整最优参数、降低噪声,具有更好的泛化性能,适用于各种常用数据集。
-
-
Pang Shan;
逄珊;
Yang Xinyi;
杨欣毅
- 《2017中国仿真大会》
| 2017年
-
摘要:
极限学习机(ELM)是一种新型的单隐含层神经网络的训练方法,同传统的基于梯度的网络训练方法相比,具有快速的学习速度和更好的泛化性能.ELM在实际应用中往往需要大量的隐含层神经元,由于随机设定输入权值和偏置值,容易导致病态问题的出现.为解决上述问题,提出一种应用量子粒子群(QPSO)优化包括隐含层节点个数在内的网络参数的方法.这种优化基于验证集的均方根误差,考虑到了输入权值矩阵的范数.在典型的回归和分类问题上进行试验证明了算法的有效性.
-
-
Cui Hua;
Cui Hua;
Bai Jie;
Bai Jie;
Bi Xin;
Bi Xin;
Huang LiBo;
Huang LiBo
- 《第二届上海-斯图加特汽车及动力技术国际研讨会》
| 2017年
-
摘要:
汽车智能化是汽车工业的发展趋势,自动驾驶是汽车智能化的集中体现.深度学习是实现自动驾驶的重要工具,应用体现在从基于视觉的交通参与者识别、多传感器信息融合到车用雷达信号处理等方面.深度学习已经在多个领域取得了成功,比如智能监控系统和语音识别应用.然而,深度学习的当前发展水平还无法满足高级自动驾驶的需要,因为自动驾驶对深度神经网络的泛化性能提出了更高要求.本文提出了一种新的深度神经网络的设计方法,目的是改进其泛化性能.首先介绍常用的改进深度神经网络泛化性能的方法;然后描述了本文提出的新的具有多个级联输出层的深度神经网络的设计方法.该神经网络的多个级联输出层构成了序列分类器,这些分类器与自适应增强算法相结合提升了神经网络的泛化性能.同时,该模型通过在分类器间共享部分网络结构节省了计算量.最后,本文通过实验证实了它的有效性和可靠性.
-
-
-
-
-
- 《2008年全国工业控制计算机年会》
| 2008年
-
摘要:
提出了确定径向基神经网络(RBFNN)隐含层结构的APC-Ⅲ算法的改进算法。改进的算法获得了不同的径向基宽度,更少的隐含层结点数.用改进算法获取的隐含层结构来构造RBFNN,并将该RBFNN用于两个非线性系统的建模仿真.仿真结果表明由改进算法产生的RBFNN与原来的算法相比较结构简单,泛化性能更好。
-
-
-
刘载文;
崔莉凤;
王小艺;
吕思颖
- 《第26届中国控制会议》
| 2007年
-
摘要:
分析水华发生的主要因素,研究水华的软测量主导变量确定方法与短期预测模型,RBF神经网络基函数中心、宽度和权值的监督学习方法,基于梯度下降的误差纠正算法,提出基于RBF网络的水华软测量方法。对RBF网络隐层节点数对网络性能的作用和影响进行了分析比较,对径向基函数宽度与网络拟合能力,以及网络泛化性能进行讨论.从网络的训练和水华预测结果来看,采用RBF神经网络可以预测叶绿素的短期变化规律,基于RBF网络的水华软测量模型泛化能力强,网络预测精度高,拟合性能好,为河湖水华短期预测方法的深入研究奠定了基础。
-
-